基于局部结构可塑性的自适应架构自激励生长神经网络
神经与进化计算
2025-12-16 v1 机器学习
摘要
深度强化学习中的控制策略通常由通过反向传播训练的固定容量多层感知器实现，缺乏结构可塑性且依赖全局误差信号。本文提出自激励生长神经网络（SMGrNN），其拓扑结构通过局部结构可塑性模块（SPM）在线演化。SPM在短时窗口内监测神经元激活和边权重更新统计量，并利用这些信号触发神经元插入与剪枝，而突触权重由标准梯度优化器更新。这使得网络容量可在学习过程中自动调节，无需人工架构调参。SMGrNN通过策略蒸馏在控制基准上进行评估。与多层感知器基线相比，它取得了相似或更高的回报、更低的方差以及任务适配的网络规模。对增长禁用和仅增长变体的消融研究分离了结构可塑性的作用，表明自适应拓扑改善了奖励稳定性。SPM的局部和模块化设计使其未来可集成Hebbian可塑性模块和尖峰时序依赖可塑性，从而支持由局部规则驱动的SMGrNN的人工和脉冲神经实现。
引用
@article{arxiv.2512.12713,
title = {Self-Motivated Growing Neural Network for Adaptive Architecture via Local Structural Plasticity},
author = {Yiyang Jia and Chengxu Zhou},
journal= {arXiv preprint arXiv:2512.12713},
year = {2025}
}