ICML 论文称正则化让学习更像 Hebbian，噪声则相反
burny_tech · x · 2026-07-25
正则化下，许多学习算法都像 Hebbian 学习
这篇 ICML 论文提出：不少学习算法在加入正则化后，会呈现出类似 Hebbian learning 的更新特征；而当引入噪声时，又会更接近 anti-Hebbian。作者认为，这可能为理解生物大脑的学习机制提供一种统一视角。
- 论文声称，多种不同算法在正则化下都会表现出 Hebbian 对齐。
- 噪声会把这种对齐推向 anti-Hebbian 方向。
- 团队将其概括为：人工网络的学习动态，可能比过去理解得更接近生物学习过程。
「研究」频道最新
- 3D ResNet 论文八年突破 3000 引用，Kinetics 数据集成里程碑 — HirokatuKataoka · 2026-09-11
- 把数据调度变成优化的一部分：样本选择与排序影响 LLM 训练 — Puzzleheaded_Box2842 · 2026-09-11
- Jeff Heaton《神经网络数学导论》开放免费完整下载 — blaizedsouza · 2026-09-11
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11