7、自适应共振理论：原理、应用与未来范式

自适应共振理论：原理、应用与未来范式

1. 自适应共振理论基础

在学习过程中，早期对代表特定类别的关键特征的关注，可能会在后续学习中扭曲记忆表征。若训练输入能重复呈现，自适应共振理论（ART）系统可纠正这些初始错误，但实时学习往往难以提供重复机会。

为解决这一问题，有偏自适应共振理论（bART）应运而生。当系统出现预测错误后，它会引导注意力从最初关注的特征上转移开，避免过度强调早期关键特征。

在ART场F1中，活动x计算该场自下而上和自上而下输入模式之间的匹配度。当x未达到由警觉性确定的匹配标准时，重置信号会关闭活跃的F2代码。不过，仅重置并不一定会产生不同的代码，除非先前的代码在F0 - F2子系统中留下了持久痕迹，否则网络可能会在F2处重新激活相同的模式。

重置后，所有ART系统都会将注意力从F2场中先前活跃的编码节点上转移。如ART 3模型所示，通过偏向编码场的自下而上输入，使先前不活跃的F2节点更受青睐，从而实现搜索功能，让网络能响应重置信号激活新代码。ART 3的搜索机制在F0到F2的自适应滤波器中定义了中期记忆，防止系统无限期地执着于刚产生重置的输出类别。这种偏置机制的突触前解释是递质耗竭或习惯化。

bART网络引入了第二种自上而下的中期记忆，重置后会将注意力从匹配场F1中先前活跃的特征节点上转移。以图1为例，在重置前后，输入A和F1处的匹配模式x中第一个特征都有强烈表现，但bART会按特定顺序减小匹配模式中第一个特征的大小，这有助于系统更多关注先前忽略的输入特征。

偏置机制是一个小的模块化元素，可添加到任何ART网络中。计算示例和波士顿测试台模拟表明，针对预测错误的特征偏置能提高监督学习任务的性能，且触发偏