标签
本文介绍了一种受生物学启发的神经架构，该架构遵循Dale约束——神经元和突触具有固定符号——同时仍支持使用非负误差信号和局部Hebbian更新的类反向传播学习，并在Tiny ImageNet上取得了性能提升。
Bit-Mass理论提出，决定模型准确率的是权重位的总数，而非计算格式。在MNIST上的实验表明，相同的Bit-Mass下，二进制网络与浮点网络性能相当。
一个业余项目展示了一种赫布架构AI模型，该模型避免使用反向传播和梯度，在CIFAR-10上训练50个周期，展现出涌现行为，如准确率下降后跳升以及在针对性损伤后的恢复。
# HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents 来源：[https://arxiv.org/html/2604.16839](https://arxiv.org/html/2604.16839) Jinchang Zhu1,∗,a, Jindong Li1,∗, Cheng Zhang2,∗, Jiahong Liu3, Menglin Yang1,†,b 1香港科技大学（广州） 2吉林大学 3香港中文大学 [email protected] [email protected] ∗同等贡献 †通讯作者 ###### 摘要 长...