Vad är hebbisk inlärning?
Det enklaste neurala nätverket (tröskelneuron) saknar förmågan att lära sig, vilket är dess största nackdel. I boken ”The Organisation of Behaviour” föreslog Donald O. Hebb en mekanism för att uppdatera vikterna mellan neuronerna i ett neuralt nätverk. Denna metod för viktuppdatering gjorde det möjligt för neuronerna att lära sig och kallades Hebbian Learning.
Tre huvudpunkter angavs som en del av denna inlärningsmekanism :
- Informationen lagras i kopplingarna mellan neuroner i neurala nätverk, i form av vikter.
- Viktförändringen mellan neuronerna är proportionell mot produkten av aktiveringsvärdena för neuronerna.
- När inlärning sker förändrar samtidig eller upprepad aktivering av svagt sammankopplade neuroner stegvis styrkan och mönstret i vikterna, vilket leder till starkare kopplingar.
Den upprepade stimulansen av svaga kopplingar mellan neuroner leder till att de stärks stegvis.
De nya vikterna beräknas genom ekvationen :
Inhibitoriska kopplingar
Det här är en annan typ av koppling, som har ett motsatt svar på ett stimuli. Här minskar kopplingsstyrkan vid upprepade eller samtidiga stimuli.
För detaljerad information om sådana neurala nätverk bör man överväga att läsa detta.
Implementation av hebbisk inlärning i en perceptron
Frank Rosenblatt drog 1950 slutsatsen att tröskelneuron inte kan användas för att modellera kognition eftersom den inte kan lära sig eller ta till sig från omgivningen eller utveckla förmågor för klassificering, igenkänning eller liknande förmågor.
En perceptron hämtar inspiration från en biologisk visuell neuronal modell med tre lager som illustreras enligt följande :
- Inputlagret är synonymt med sensoriska celler i näthinnan, med slumpmässiga kopplingar till neuronerna i det efterföljande lagret.
- Associationslagren har tröskelneuroner med dubbelriktade kopplingar till responslagret.
- Svarsskiktet har tröskelneuroner som är sammankopplade med varandra för konkurrerande inhiberande signalering.
Responsskapsskiktets neuroner konkurrerar med varandra genom att skicka inhiberande signaler för att producera output. Tröskelfunktioner sätts vid ursprunget för associations- och responslagren. Detta utgör grunden för inlärning mellan dessa lager. Målet med uppfattningen är att aktivera korrekta svarsneuroner för varje inmatningsmönster.
Slutsats
Hebbianskt lärande är inspirerat av den biologiska neurala viktjusteringsmekanismen. Den beskriver metoden för att omvandla en neuron som är oförmögen att lära sig och gör det möjligt för den att utveckla kognition genom att reagera på externa stimuli. Dessa begrepp är fortfarande grunden för neuralt lärande i dag.
Leave a Reply