本研究提出了一种改进的Hebbian学习网络，通过权重归一化机制解决了人工神经网络在离散外部条件下的脆弱性。实验表明，该网络在复杂机器人上实现了零-shot适应行走，能够有效应对未见条件。

本研究在CrossQ框架中整合权重归一化，解决了强化学习的样本效率瓶颈，显著提升了训练的稳定性和效率。

本文提出了一种利用矩阵流形的几何性质对神经网络的归一化参数进行优化的方法，通过层次化的权重归一化和初始化网络，以及基于高维球面上的指数映射进行更新，避免了手动调优和学习率的调度，为优化归一化神经网络提供了自动化的流程。

本文提出了一种利用矩阵流形的几何性质对神经网络的归一化参数进行优化的方法，通过层次化的权重归一化和初始化网络，以及基于高维球面上的指数映射进行更新，为优化归一化神经网络提供了自动化的流程。

本文提出了一种利用矩阵流形的几何性质对神经网络的归一化参数进行优化的方法，通过层次化的权重归一化和初始化网络，以及基于高维球面上的指数映射进行更新，避免了手动调优和学习率的调度，为优化归一化神经网络提供了自动化的流程。