7、自适应共振理论：原理、应用与未来方向

自适应共振理论：原理、应用与未来方向

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。如果训练输入被反复呈现，自适应共振理论（ART）系统会纠正这些初始错误。然而，实时学习可能没有这样的重复机会。

有偏ART（bART）通过在系统做出预测错误后，将注意力从最初关注的特征上转移开，解决了对早期关键特征过度强调的问题。在ART场F1处的活动x计算该场的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。但仅重置本身不会引发不同的代码，除非先前的代码在F0 - F2子系统中留下了持久的痕迹，否则网络会在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开。如ART 3所建模的那样，对编码场的自下而上输入进行偏置，以偏向先前不活跃的F2节点，通过使网络能够响应重置信号激活新代码来实现搜索。

有偏ART网络引入了第二个自上而下的中期记忆，重置后，它会将注意力从匹配场F1中先前活跃的特征节点上转移开。特征偏置机制是一个小的模块化元素，可以添加到任何ART网络中。

2. 自主智能系统的新范式

2.1 互补计算

互补计算发现，成对的平行皮质处理流计算具有计算互补性的属性。每个流都有互补的优势和劣势，就像物理原理中的海森堡不确定性原理一样。每个皮质流也可以有多个处理阶段，这些阶段实现了不确定性的分层解决。

互补计算提出，具有行为意义的大脑处理计算单元由具有多个处理阶段的互补皮质处理流之间的平行和分层交互组成。这些交互克服了互补的弱点，