Hebbian Learning
PulseAugur coverage of Hebbian Learning — every cluster mentioning Hebbian Learning across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
神经网络权重揭示时序数据结构和表征漂移
研究人员正在探索如何在训练完成后从神经网络权重中恢复时序结构。一项研究提出使用隐马尔可夫模型来分析权重轨迹并识别不同的数据状态，当数据落在同一识别状态内时，泛化能力得到提高。另一项调查比较了反向传播和赫布学习，结果显示虽然两种方法都可以训练网络执行任务，但赫布学习会导致内部网络状态出现显著的表征漂移，即使在性能趋于平稳后也是如此，这与反向传播不同。
-
受限赫布学习优化神经网络效率
研究人员开发了一种名为受限赫布学习（CHL）的新学习规则，旨在优化神经网络在结构约束下的表征效率。与传统的反向传播不同，CHL侧重于成本效益权衡，在保持功能性能的同时保留较少的输入信息。这种方法尤其适用于资源有限的生物系统，表明赫布学习在突触资源分配中的作用，而不仅仅是最大化准确性。
-
光子神经形态网络实现无监督赫布学习
研究人员开发了一种深度光子神经形态网络（PNN）架构，该架构利用相变材料（PCM）突触和局部光反馈来实现无监督赫布学习。这种新颖的方法通过直接利用相关的突触前和突触后光活动进行适应，从而绕开了外部梯度或复杂的电光转换的需要。使用光纤组件和可编程衰减器的实验证明了该系统能够实现自适应突触演化、光推理和自主模式编码，为节能、集成光子神经形态系统铺平了道路。
-
研究人员对赫布学习规则在联想记忆和原型提取方面的性能进行基准测试
研究人员对七种不同的赫布学习规则在联想记忆任务中的有效性进行了基准测试，特别关注原型提取。该研究使用循环网络评估了模式存储容量、信息容量以及从失真实例中回忆正确原型的能力。贝叶斯-赫布学习规则在各种条件下均表现出最高的容量，优于更简单的加性赫布规则和协方差学习。