多编码单解码神经网络架构中的前向-合作-后向（FCB）学习

训练神经网络最流行的技术是反向传播。最近，前向-前向技术也被用于某些学习任务。然而，在现实生活中，人类的学习并不严格遵循其中任何一种技术。人类学习的方式基本上是前向学习、反向传播和合作的结合。人类开始学习新概念时会独立进行，然后试图在此过程中层次化地细化理解，期间可能会遇到几种疑问。最常见的疑问解决方法是与同伴讨论，这可以称为合作。在同伴之间进行合作/讨论/知识共享是人类学习过程中最重要的步骤之一。然而，即使在讨论之后，仍可能仍有少数疑问。随后，会识别并最小化概念理解与原始文献之间的差异，经过多次修订。以此为灵感，本文在深度神经网络框架中引入前向-合作-后向（FCB）学习，以模拟人类学习新概念的本质。设计了一种新型深度神经网络架构，称为多编码单解码神经网络模型，该模型采用FCB的概念进行学习。还引入了特殊的侧向突触连接以实现合作。对该模型在四个流行数据集上的维度缩减性能进行了验证。已测试其在低秩嵌入中保留数据粗粒度属性的能力，以证明维度缩减质量。对于下游分析，还进行了分类。对收敛性分析的实验研究表明了FCB学习策略的有效性。