Benchmarking Local Hebbian Learning Rules for Memory Storage and Prototype Extraction

doi:10.1007/s12559-026-10638-y

2026-07-31

Anders Lansner *

Andreas Knoblauch

Naresh B. Ravichandran

Pawel Herman

DOI：10.1007/s12559-026-10638-y

原文链接

原文求助

摘要

En 中文

联想记忆或内容寻址记忆是计算机科学和信息处理中的一个重要组成部分，同时也是认知和计算脑科学中的一个关键概念。许多不同的神经网络架构和学习规则已被提出，用于模拟大脑的联想记忆，同时研究如图形-背景分割、感知重建和竞争等关键组成部分功能。联想记忆中一个较少被研究但同样重要的能力是原型提取，其中训练集包含扭曲的原型实例，任务是给定一个新的扭曲实例，回忆出正确的生成原型。在本文中，我们评估了在非模块化和模块化循环网络中使用的七种不同赫布学习规则的联想记忆功能，这些网络具有赢家通有动态，并在中等稀疏的二进制模式上运行。我们测量了模式存储和权重信息容量、原型提取能力以及对数据相关性的敏感性。原始的加性赫布规则表现出最差的容量，协方差学习证明是稳健的但容量适中，而贝叶斯-赫布学习规则在几乎所有测试条件下都显示出最高的容量。

Keyword:

Associative memory

Synaptic plasticity

Bayesian-Hebbian plasticity

Pattern storage capacity

Weight information capacity, prototype extraction

Correlation sensitivity

Performance scaling