Hebbian学习规则

Hebbian学习规则的数学形式通常表现为权重变化量与前后两个神经元激活值的乘积成正比。

纯Hebbian规则面临不稳定问题：正反馈可能导致权重无限增长。

为改进Hebbian规则的稳定性，研究者提出了Oja规则（引入权重衰减实现归一化）和BCM规则（引入滑动修改阈值）。