Mi az a Hebbian Learning?

Mar 30, 2019 – 3 min read

A legegyszerűbb neurális hálózat (küszöbneuron) nem képes tanulni, ami a legnagyobb hátránya. Donald O. Hebb “The Organisation of Behaviour” című könyvében javaslatot tett egy olyan mechanizmusra, amellyel a neuronok közötti súlyok frissíthetők egy neurális hálózatban. Ez a súlyfrissítési módszer lehetővé tette a neuronok tanulását, és Hebb-tanulásnak nevezte el.

A tanulási mechanizmus részeként három fő pontot állapított meg :

• A neurális hálózatokban az információ a neuronok közötti kapcsolatokban, súlyok formájában tárolódik.
• A neuronok közötti súlyváltozás arányos a neuronok aktivációs értékeinek szorzatával.

• A tanulás során a gyengén kapcsolódó neuronok egyidejű vagy ismételt aktiválása fokozatosan megváltoztatja a súlyok erősségét és mintázatát, ami erősebb kapcsolatokhoz vezet.

A neuronok közötti gyenge kapcsolatok ismételt stimulálása azok fokozatos megerősítéséhez vezet.

Az új súlyok kiszámítása az egyenlet szerint történik :

Gátló kapcsolatok

Ez egy másik fajta kapcsolat, amelyek egy ingerre ellentétes választ adnak. Itt a kapcsolat erőssége ismételt vagy egyidejű ingerek hatására csökken.

Az ilyen neurális hálózatokról szóló részletes információkért érdemes elolvasni ezt.

Implementation of Hebbian Learning in a Perceptron

Frank Rosenblatt 1950-ben arra következtetett, hogy a küszöbneuron nem használható a megismerés modellezésére, mivel nem képes tanulni vagy átvenni a környezetből, illetve nem képes osztályozási, felismerési vagy hasonló képességeket kifejleszteni.

A perceptron egy biológiai vizuális neurális modellből merít ihletet, amelynek három rétege a következőképpen van ábrázolva :

• A bemeneti réteg a retina érzékelősejtjeinek szinonimája, véletlenszerű kapcsolatokkal a következő réteg neuronjaihoz.
• Az asszociációs rétegek küszöbneuronjai kétirányú kapcsolatokkal rendelkeznek a válaszréteggel.
• A válaszrétegben küszöbneuronok vannak, amelyek egymással versengő gátló jeleket küldenek.

A válaszréteg neuronjai egymással versengve gátló jeleket küldenek a kimenet előállításáért. A küszöbfüggvények az asszociációs és a válaszrétegek esetében az origónál vannak beállítva. Ez képezi a tanulás alapját e rétegek között. Az észlelés célja a helyes válaszneuronok aktiválása minden egyes bemeneti mintára.

Következtetés

A hebbi tanulás a biológiai neurális súlybeállítási mechanizmust követi. Leírja azt a módszert, amely átalakítja a neuron tanulásra való képtelenségét, és lehetővé teszi számára, hogy a külső ingerekre adott válasszal fejlessze a megismerést. Ezek az elképzelések ma is a neurális tanulás alapját képezik.