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
- 字节与莫纳什论文把任务经验蒸馏进软件代理权重 — imjustnewatai · 2026-07-25
- OPUS 在优化器空间选数，并构建 3000 万 token 代理池 — VoidAsuka · 2026-07-25
- 统计物理论文研究插值附近的 MLP 最优学习 — burny_tech · 2026-07-25
- AI 自主完成 9000 行数学证明,攻克复杂流体力学方程 — burny_tech · 2026-07-25
- 新论文称 PPO-Clip 抑制探索，RIPO 让 AIME24 提升 60% — burny_tech · 2026-07-25
- 罕见标点能否变成 LLM 的一字符语气信号？ — Fcking_Chuck · 2026-07-25