Was ist Hebbianisches Lernen?

Mar 30, 2019 – 3 min read

Dem einfachsten neuronalen Netz (Schwellenwertneuron) fehlt die Fähigkeit zu lernen, was sein größter Nachteil ist. In seinem Buch „The Organisation of Behaviour“ schlug Donald O. Hebb einen Mechanismus zur Aktualisierung der Gewichte zwischen den Neuronen in einem neuronalen Netz vor. Diese Methode der Gewichtsaktualisierung ermöglichte es den Neuronen zu lernen und wurde Hebbian Learning genannt.

Drei wichtige Punkte wurden als Teil dieses Lernmechanismus genannt:

• Informationen werden in den Verbindungen zwischen Neuronen in neuronalen Netzwerken in Form von Gewichten gespeichert.
• Die Veränderung der Gewichte zwischen den Neuronen ist proportional zum Produkt der Aktivierungswerte der Neuronen.

• Während des Lernens verändert die gleichzeitige oder wiederholte Aktivierung schwach verbundener Neuronen schrittweise die Stärke und das Muster der Gewichte, was zu stärkeren Verbindungen führt.

Die wiederholte Stimulation schwacher Verbindungen zwischen Neuronen führt zu ihrer schrittweisen Stärkung.

Die neuen Gewichte werden durch die Gleichung berechnet:

Hemmende Verbindungen

Dies ist eine andere Art von Verbindungen, die eine entgegengesetzte Reaktion auf einen Stimulus haben. Hier nimmt die Verbindungsstärke bei wiederholten oder gleichzeitigen Reizen ab.

Für detaillierte Informationen über solche neuronalen Netze sollte man dies lesen.

Implementation of Hebbian Learning in a Perceptron

Frank Rosenblatt schlussfolgerte 1950, dass Schwellenwertneuronen nicht zur Modellierung von Kognition verwendet werden können, da sie nicht aus der Umwelt lernen oder Fähigkeiten zur Klassifizierung, Erkennung oder ähnliches entwickeln können.

Ein Perzeptron lehnt sich an ein biologisches visuelles neuronales Modell mit drei Schichten an, die wie folgt dargestellt werden:

• Die Eingabeschicht ist gleichbedeutend mit den Sinneszellen in der Netzhaut, mit zufälligen Verbindungen zu den Neuronen der nachfolgenden Schicht.
• Assoziationsschichten haben Schwellenneuronen mit bidirektionalen Verbindungen zur Antwortschicht.
• Die Reaktionsschicht hat Schwellenneuronen, die miteinander verbunden sind, um konkurrierende inhibitorische Signale zu erzeugen.

Die Neuronen der Reaktionsschicht konkurrieren miteinander, indem sie inhibitorische Signale senden, um eine Ausgabe zu erzeugen. Für die Assoziations- und die Reaktionsschicht werden am Ursprung Schwellenfunktionen festgelegt. Dies bildet die Grundlage für das Lernen zwischen diesen Schichten. Ziel der Wahrnehmung ist es, für jedes Eingabemuster die richtigen Antwortneuronen zu aktivieren.

Schlussfolgerung

Hebbisches Lernen ist inspiriert vom biologischen neuronalen Mechanismus der Gewichtsanpassung. Es beschreibt die Methode, ein lernunfähiges Neuron in die Lage zu versetzen, durch Reaktion auf äußere Reize Kognition zu entwickeln. Diese Konzepte sind auch heute noch die Grundlage für neuronales Lernen.