多频率 VisNet 层级中无监督局部塑性
计算机视觉与模式识别
2026-04-23 v4 人工智能
摘要
我们引入了一个完全基于局部塑性规则的无监督视觉表征学习系统，不使用标签、反向传播或全局误差信号。该模型是一种 VisNet 启发的层级架构，结合对手颜色输入、多频率 Gabor 与小波特征流、竞争归一化与侧抑制、显著性调制、关联记忆以及反馈回路。所有表征学习通过应用于 unlabeled 图像流的连续局部塑性在 300 个 epoch 上实现。通过在 readout 时间仅训练固定线性探针来评估性能。该系统在 CIFAR-10 上达到 80.1 百分比准确率，在 CIFAR-100 上达到 47.6 百分比，优于仅使用 Hebbian 规则的基线。消融研究表明，anti-Hebbian 去相关、基于自由能的塑性以及关联记忆是主要贡献者，具有强大的协同效应。即使不学习，固定架构本身也能在 CIFAR-10 上达到 61.4 百分比，表明塑性而非仅靠归纳偏差驱动了大部分性能。控制分析显示，独立训练的探针与共训练的探针在 0.3 个百分点内匹配，最近类均分类器在无梯度训练下达到 78.3 百分比，确认所学习特征的内在结构。总体而言，该系统缩小但未消除与基于反向传播训练的 CNN 之间的性能差距（CIFAR-10 上为 5.7 个百分点，CIFAR-100 上为 7.5 个百分点），表明结构化的局部塑性alone 能从原始无标签数据中学习出强大的视觉表征。
引用
@article{arxiv.2604.09734,
title = {Unsupervised Local Plasticity in a Multi-Frequency VisNet Hierarchy},
author = {Mehdi Fatan Serj and C. Alejandro Parraga and Xavier Otazu},
journal= {arXiv preprint arXiv:2604.09734},
year = {2026}
}