Wat is Hebbisch leren?

Mar 30, 2019 – 3 min read

Het eenvoudigste neurale netwerk (drempelneuron) ontbeert het vermogen om te leren, wat zijn grootste nadeel is. In het boek “The Organisation of Behaviour”, stelde Donald O. Hebb een mechanisme voor om de gewichten tussen neuronen in een neuraal netwerk bij te werken. Deze methode van gewichtsupdates stelde neuronen in staat te leren en werd Hebbian Learning genoemd.

Drie belangrijke punten werden genoemd als onderdeel van dit leermechanisme :

• Informatie wordt opgeslagen in de verbindingen tussen neuronen in neurale netwerken, in de vorm van gewichten.
• Verandering van gewicht tussen neuronen is evenredig met het product van activeringswaarden voor neuronen.

• Tijdens het leren verandert gelijktijdige of herhaalde activering van zwak verbonden neuronen incrementeel de sterkte en het patroon van de gewichten, wat leidt tot sterkere verbindingen.

De herhaalde stimulering van zwakke verbindingen tussen neuronen leidt tot hun incrementele versterking.

De nieuwe gewichten worden berekend door de vergelijking :

Inhibitorische verbindingen

Dit is een ander soort verbindingen, die een tegengestelde reactie op een stimulus hebben. Hier neemt de sterkte van de verbinding af bij herhaalde of gelijktijdige stimuli.

Voor gedetailleerde informatie over dergelijke neurale netwerken, zou men moeten overwegen dit te lezen.

Implementatie van Hebbisch Leren in een Perceptron

Frank Rosenblatt leidde in 1950 af dat drempelneuronen niet kunnen worden gebruikt voor het modelleren van cognitie, omdat zij niet kunnen leren of overnemen van de omgeving of vermogens kunnen ontwikkelen voor classificatie, herkenning of soortgelijke vermogens.

Een perceptron is geïnspireerd op een biologisch visueel neuraal model met drie lagen die als volgt worden geïllustreerd :

• Invoerlaag staat synoniem voor zintuiglijke cellen in het netvlies, met willekeurige verbindingen naar neuronen van de volgende laag.
• Associatielagen hebben drempelneuronen met bi-directionele verbindingen naar de responslaag.
• Responslaag heeft drempelneuronen die met elkaar verbonden zijn voor competitieve remmende signalering.

Responslaagneuronen concurreren met elkaar door remmende signalen te verzenden om output te produceren. Drempelfuncties worden ingesteld bij de oorsprong voor de associatie- en responslagen. Dit vormt de basis van het leren tussen deze lagen. Het doel van de perceptie is om de juiste respons neuronen te activeren voor elk input patroon.

Conclusie

Hebbian Learning is geïnspireerd door het biologische neurale gewicht aanpassingsmechanisme. Het beschrijft de methode om een neuron een onvermogen om te leren om te zetten en stelt het in staat om cognitie te ontwikkelen met reactie op externe stimuli. Deze concepten zijn vandaag de dag nog steeds de basis voor neuraal leren.