Kickback 削减反向传播的繁文缛节：神经网络中生物可信的信用分配

误差反向传播是一种在人工神经网络中进行信用分配的极高效算法。然而，反向传播（Backprop）下的权重更新依赖于冗长的递归计算，并需要独立的输出与误差信号——这些特征并非生物神经元所共有，且或许是不必要的。在本文中，我们重新审视反向传播与信用分配问题。我们首先将反向传播分解为一组相互作用的子学习算法；提供这些子算法性能的遗憾界（regret bounds）；并对反向传播的误差信号进行因式分解。利用这些结果，我们推导 out 一种用于非参数回归的新信用分配算法 Kickback，其显著简于反向传播。最后，我们提供了 Kickback 遵循误差梯度的充分条件，并表明 Kickback 在真实世界回归基准测试中的表现与反向传播相当。