CHANI：基于相关性的Hawkes神经元聚合的仿生模型
统计理论
2026-01-21 v2 机器学习
统计理论
摘要
本研究旨在从数学上证明，一个受生物学启发的神经网络可以仅通过局部变换学习分类任务。为此，我们提出了一种名为CHANI（基于相关性的Hawkes神经元聚合的仿生模型）的脉冲神经网络，其神经元活动由Hawkes过程建模。突触权重通过专家聚合算法更新，提供了一种局部且简单的学习规则。我们证明了我们的网络可以在平均意义下渐近学习。此外，我们证明了它自动产生神经元组装，即网络可以编码多个类别，并且中间层中的同一神经元可能被多个类别激活，我们还在合成数据集上提供了数值模拟。这种理论方法不同于生物学启发网络的传统经验验证，为理解局部学习规则如何使神经元形成能够表征复杂概念的组装铺平了道路。
引用
@article{arxiv.2405.18828,
title = {CHANI: Correlation-based Hawkes Aggregation of Neurons with bio-Inspiration},
author = {Sophie Jaffard and Samuel Vaiter and Patricia Reynaud-Bouret},
journal= {arXiv preprint arXiv:2405.18828},
year = {2026}
}