神经 Langevin 机器：一种局部非对称学习规则可实现创造性
神经元与认知
2025-07-01 v1 无序系统与神经网络
机器学习
神经与进化计算
摘要
循环神经网络的固定点可用于存储和生成信息。这些固定点可由 Boltzmann-Gibbs 测度捕获，进而产生用于采样和学习真实数据集的神经 Langevin 动力学。我们将此类生成模型称为神经 Langevin 机器，其分布解析形式使其具有可解释性且易于训练。此外，学习过程导出为局部非对称塑性规则，具有生物学相关性。因此，可以在神经网络中实现连续的创造性采样，模拟大脑回路中的想象过程。这一神经 Langevin 机器可能是另一种具有电路基采样和生物学可实现学习规则优势的有前景的生成模型。
引用
@article{arxiv.2506.23546,
title = {Neural Langevin Machine: a local asymmetric learning rule can be creative},
author = {Zhendong Yu and Weizhong Huang and Haiping Huang},
journal= {arXiv preprint arXiv:2506.23546},
year = {2025}
}
备注
15 pages, 3 figures, with Github link in the paper