Hopfield网络自优化中未被发掘的潜能：无监督学习的创造力
神经与进化计算
2025-11-06 v3 适应与自组织系统
摘要
自优化（SO）模型可被视为经典Hopfield网络的第三种运行模式，利用关联记忆的力量来提升优化性能。此外，已有研究认为其表现出最小代理性特征，这使得它对于人工生命研究具有吸引力。在本文中，我们关注SO模型的另一方面：其创造力潜能。我们在创造力研究方面展开论述，认为该模型满足创造过程的必要且充分条件。此外，我们展示，学习对于找到超出随机概率的创造性结果是必要的。进一步地，我们证明，修改SO模型中的学习参数会产生四种不同的 regime，能够解释创造性产出与不可得结果，从而为研究和理解人工学习系统中创造行为的出现提供了框架。
引用
@article{arxiv.2501.04007,
title = {Untapped Potential in Self-Optimization of Hopfield Networks: The Creativity of Unsupervised Learning},
author = {Natalya Weber and Christian Guckelsberger and Tom Froese},
journal= {arXiv preprint arXiv:2501.04007},
year = {2025}
}
备注
38 pages, 9 figures, accepted to Artificial Life (ALife), The MIT Press