面向生物学可行性与效能的 Hebbian 卷积神经网络
神经与进化计算
2026-05-05 v2 计算机视觉与模式识别
摘要
本文推进了将 Hebbian 学习机制集成到卷积神经网络（CNN）用于图像处理的研究，系统探索不同网络结构以构建最优配置，同时满足生物学可行性。Hebbian 学习依据无监督的局部神经信息形成特征表示，为流行但可能在生物学上不可信且计算密集的反向传播算法提供了替代方案。我们建议的最优结构显著提升了近期将 Hebbian 学习与竞争机制结合于 CNN 上的研究，通过引入硬型 Winner-Takes-All（WTA）竞争、高斯侧抑制机制以及 Bienenstock-Cooper-Munro（BCM）学习规则于单一模型中，扩大了其表征能力。在 CIFAR-10 测试后半段的分类准确率统计中，所得最优模型与其端到端反向传播变体各达 75.2%，显著超过相同网络深度下最新的硬型 WTA CNN 性能（64.6%）的 10.6%。该模型在 MNIST（98%）和 STL-10（69.5%）上也表现出竞争力。此外，结果显示清晰的稀疏层次学习迹象，表现为日益复杂和抽象的感受野。总之，我们的实现同时提升了学习表征的性能和可迁移性，为构建更符合生物学规律的人工神经网络迈出了关键一步。
引用
@article{arxiv.2501.17266,
title = {Advancing the Biological Plausibility and Efficacy of Hebbian Convolutional Neural Networks},
author = {Julian Jimenez Nimmo and Esther Mondragon},
journal= {arXiv preprint arXiv:2501.17266},
year = {2026}
}
备注
47 pages, 15 figures