arXiv cs.AI· Heng Zhang·· 10 小时前AI 评分22
RECAP：用局部 Hebbian 原型学习作为储备池动力学的自组织读出
RECAP: Local Hebbian Prototype Learning as a Self-Organizing Readout for Reservoir Dynamics
AI 导读
RECAP 是一种受生物启发的图像分类学习策略，将未经训练的储备池动力学与自组织的 Hebbian 原型读出结合，无需误差反向传播。该方法把时间平均后的储备池响应离散为激活等级，在储备池单元对上构建共激活掩码，并通过类似 Hebbian 的增强-衰减规则增量更新各类原型矩阵，推理时基于重叠度进行原型匹配。在 MNIST-C 上，RECAP 未接触任何损坏训练样本，仍能在多种损坏下保持稳健。
正文 · AI 翻译
摘要：大脑中稳健的感知通常被归因于高维群体活动，以及强化重复结构的局部可塑性机制。相比之下，大多数现代图像识别系统通过误差反向传播和端到端梯度优化进行训练，这与局部计算和局部可塑性并不天然一致。我们提出 RECAP（Reservoir Computing with Hebbian Co-Activation Prototypes，基于赫布共激活原型的储备池计算），这是一种受生物启发的稳健图像分类学习策略，将未经训练的储备池动力学与自组织的赫布原型读出相结合。RECAP 将时间平均的储备池响应离散化为激活水平，在储备池单元对上构建共激活掩码，并通过类似赫布的增强-衰减规则增量更新各类别的原型矩阵。推理通过基于重叠的原型匹配进行。该方法避免了误差反向传播，并且天然兼容在线原型更新。我们在 MNIST-C 上展示了由此产生的稳健性行为，RECAP 在未接触损坏训练样本的情况下，在多种损坏下仍保持稳健。
| 评论： | 已被 AICCC 2026 接收。14 页，6 幅图 |
| 主题： | 神经与进化计算（cs.NE）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG）；神经元与认知（q-bio.NC） |
| 引用为： | arXiv:2603.06639 [cs.NE] |
| （或本版本的 arXiv:2603.06639v2 [cs.NE]） | |
| https://doi.org/10.48550/arXiv.2603.06639 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Heng Zhang [查看电子邮件]
[v1]
2026 年 2 月 25 日星期三 08:28:35 UTC（6,854 KB）
[v2]
2026 年 11 月 10 日星期二 01:58:09 UTC（6,740 KB）
来源：arXiv cs.AI · arxiv.org