赫布规范 - 霍普菲尔德网络关联记忆的容量
原文中文,约200字,阅读约需1分钟。发表于: 。文中介绍了一种基于赫布学习规则的神经网络模型,并研究了模式检索和容量特性,使用完全升级随机对偶理论得到精确的容量特性,并展示了快速升级收敛的结果。
调查发现,基于模式的范数低于临界值时,Hopfield模型的内存检索动力学效率会发生相变行为。线性检索和输入查询序列的处理证明了计算时间与存储模式数量和查询序列长度线性扩展的下界,并证明了内存检索误差边界和指数级内存容量。
文中介绍了一种基于赫布学习规则的神经网络模型,并研究了模式检索和容量特性,使用完全升级随机对偶理论得到精确的容量特性,并展示了快速升级收敛的结果。
调查发现,基于模式的范数低于临界值时,Hopfield模型的内存检索动力学效率会发生相变行为。线性检索和输入查询序列的处理证明了计算时间与存储模式数量和查询序列长度线性扩展的下界,并证明了内存检索误差边界和指数级内存容量。