以神经生物学原理引导稀疏神经网络以实现生物学上可信的表征
机器学习
2026-03-04 v1
摘要
虽然深度神经网络 (DNN) 在图像识别等任务中取得了显著成绩，但它们在泛化、少样本学习和持续适应方面常常表现不佳——这些能力是生物神经系统的固有特性。这一挑战源于 DNN 未能模拟生物网络的高效、自适应学习机制。为此，我们探索了将神经生物学假设融入神经网络学习中的方法。本研究引入一种天然集成神经生物学原理的生物学启发学习规则，包括稀疏性、对数正态权重分布以及遵循戴尔定律，无需额外强制。通过与这些核心神经生物学原理相一致，我们的模型对抗攻击具有更强的鲁棒性，并在少样本学习场景中展现出卓越的泛化能力。值得注意的是，整合这些约束会导致生物学上可信的神经表征的出现，凸显了将神经生物学假设纳入神经网络设计中的有效性。初步结果表明，这种方法可能从特征特定编码扩展到任务特定编码，为复杂任务的神经资源分配提供了洞见。
引用
@article{arxiv.2603.03234,
title = {Guiding Sparse Neural Networks with Neurobiological Principles to Elicit Biologically Plausible Representations},
author = {Patrick Inoue and Florian Röhrbein and Andreas Knoblauch},
journal= {arXiv preprint arXiv:2603.03234},
year = {2026}
}