边际条件下简单感知机的在线学习

我们分析了一种使用边际 $\kappa$（类似于 Gardner 方法）的学习方法。该方法在 $\kappa=0$ 时对应感知机学习，在 $\kappa \to \infty$ 时对应 Hebbian 学习。然而，我们发现该方法在学习初期的泛化能力优于感知机和 Hebbian 方法。我们通过计算机仿真分析了该方法学习曲线的渐近性质，发现其与感知机学习相同。我们还研究了一种自适应边际控制方法。