概念Hebbian learning / 赫布规则
赫布学习
神经网络中最经典的局部学习规则，核心思想为「同时激发的神经元之间连接会加强」，仅依赖突触两端的局部激活状态更新权重，不需要全局误差信号。
时间轴 (近 90 天)
10月27日
赫布学习及其变体（如Oja规则、BCM规则、STDP）通常仍假设可塑性信号连续可用。
待验证50%
10月6日
在BDH架构中，相关联的神经元活动会对连接产生类似赫布学习的更新，使工作记忆获得突触层面的解释
待验证50%
9月12日
赫布学习的核心思想被概括为「一起激发的神经元，连接会加强」，只需突触两端神经元的局部激活状态即可完成权重更新
待验证50%
9月12日
赫布学习和竞争学习的共同局限在于缺乏明确的优化目标，难以针对下游任务进行端到端调优，通常用于特征提取和表示学习
待验证50%
9月7日
人类大脑的认知能力遵循'用进废退'的神经可塑性原则，该原理由神经科学家Donald Hebb在1949年提出
待验证50%