社会海马体记忆学习
机器学习
2026-03-27 v1
摘要
社会学习强调，学习智能体并非在孤立中提升，而是通过与他人的互动和结构化知识交换来改进。当这一原理引入机器学习时，产生了社会机器学习（SML），其中多个智能体通过共享抽象知识进行协作学习。联邦学习（FL）为这一范式提供了自然的协作基础，但现有的异构 FL 方法往往依赖共享模型参数或中间表示，这可能暴露敏感信息并产生额外开销。在本工作中，我们提出了 SoHip（社会海马体记忆学习），一种以记忆为中心的社会机器学习框架，通过记忆共享而非模型共享实现异构智能体之间的协作。SoHip 从局部表示中抽象出每个智能体的短期记忆，通过海马体启发机制将其整合为个体长期记忆，并将其与集体聚合的长期记忆融合以增强局部预测。在整个过程中，原始数据和局部模型保留在设备上，仅交换轻量级记忆。我们提供了关于收敛性和隐私保持特性的理论分析。在两个基准数据集上对七个基线方法的实验表明，SoHip 一致优于现有方法，准确率提升高达 8.78%。
引用
@article{arxiv.2603.25614,
title = {Social Hippocampus Memory Learning},
author = {Liping Yi and Zhiming Zhao and Qinghua Hu},
journal= {arXiv preprint arXiv:2603.25614},
year = {2026}
}