是的，正如我们所说，这是一个活跃的研究领域。两者都使用经典算法（决策树、随机森林、贝叶斯集成）以及神经网络。这也可以通过进化算法来完成。在一些情况下，我个人将它们用于超参数调整，其中挤出几个额外的精度点是关键。

这实际上是 Google 正在使用他们的 AutoML 系统所做的事情。他们正在使用神经网络进行架构搜索。

这是一个 Github 存储库，其中包含一些关于您所描述主题的有趣论文和链接：https ://github.com/hibayesian/awesome-automl-papers 。

这个答案指出了一些更现代的方法。这已经以NeAT: Neuroevolution of Augmenting Topologies的形式存在了很长时间，最初在 Kenneth Stanley 2002 年的论文中进行了描述。

NeAT 可作为许多语言的包使用，包括Python、Java和C++。该算法作为遗传编程的一种形式工作。使用简单、随机的拓扑生成大量网络。然后根据特定任务的损失函数对它们进行评估。性能较差的网络被丢弃，性能较好的网络被混合以产生新的变化。这个过程被迭代直到用户希望它停止，并且通常导致平均人口性能相对于损失函数的逐渐改进。

Neil Slater 说 NEAT 本身不是进化神经网络的神经网络是正确的，我认为最接近问题的框架是 HyperNEAT http://axon.cs.byu.edu/~dan/778/论文/NeuroEvolution/stanley3**.pdf HyperNEAT 的运行方式与您所描述的非常相似，从一万英尺的角度来看，算法如下：1）您在笛卡尔空间中为 rnn 布置节点，2d，3d，无论您的尺寸如何您希望，这组坐标称为基板。2）通过一次传入两个坐标作为输入来查询 cppn，这为 cppn 提供了一个超立方体的搜索空间，该空间是坐标所在维度的 2 倍（对于空间中的基板 > 2d，这非常大） 3） cppn 的输出用于对 rnn 坐标的连接、权重、偏差进行编码 4）然后通过您的适应度函数评估 rnn，但进化（物种形成、繁殖等）在编码 rnn 的 cppn 上运行。所以你进化出一组编码 rnn 或 cnn “表型”的 cppn “基因型”。

NEAT 的第三次迭代是 ES-Hyperneat，您需要在基板中布局的只是输入和输出层（Hyperneat 您必须静态布局基板的所有隐藏节点）。它使用细分树对搜索空间进行细分，并像hyperneat一样用cppn查询这棵树的细分根坐标，沿途检查方差以确定新节点是否在“高信息”拓扑空间中，以“进化” " 隐藏节点进入衬底 (rnn)。