--- format: "aidr-story-markdown/v1" id: "dd1cb4a5f7daf3efde88515a36057db5a7ae96ba38fc364992b05131dfdad9c7" canonical_url: "https://aidr.today/dd1cb4a5?lang=vi" title: "Autohebb mạng nơ-ron tự sửa đổi suy luận zero-shot và học liên tục" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-11-02T05:00:00.000Z" category: "Research" topics: ["inference"] source_urls: ["https://arxiv.org/abs/2610.40757"] summary: "Con người và động vật có khả năng tổng quát hóa và học hỏi trong các hoàn cảnh mới một cách độc đáo, bao gồm suy luận 0-shot ZI và học liên tục CL, hai khả năng nhận thức mạnh mẽ. Mặc dù quan trọng, các nỗ lực mô hình hóa ZI và CL bị hạn chế nghiêm trọng theo nhiều cách. Thứ nhất, các mô hình hiện có thường thiếu các thành phần quan trọng đối với ZI và CL trong não, cụ thể là các inductive biases mạnh (cho ZI) và kiểm soát học tự chủ (cho CL). Thứ hai, các mô hình có thể khó phân tích hơn nếu các thành phần mô hình quá phức tạp (thiếu tính đơn giản), hoặc quá giới hạn tác vụ nếu các thành phần mô hình quá tùy chỉnh (thiếu tính biểu cảm). Ở đây chúng tôi giới thiệu các mạng Hebbian tự chủ AutoHebb, một loại mạng nơ-ron feedforward học trực tuyến thực hiện các inductive biases mạnh và học được kiểm soát tự chủ, đồng thời đơn giản và biểu cảm. Không giống như các mô hình tiêu chuẩn học thông qua tối ưu hóa được kiểm soát bên ngoài (ví dụ: gradient descent), mạng AutoHebb kết hợp phản hồi bên ngoài với hoạt động được tạo ra bên trong để tạo ra tín hiệu học toàn cục ('neuromodulator') được phản hồi lại mạng." --- # Autohebb mạng nơ\-ron tự sửa đổi suy luận zero\-shot và học liên tục > [Open the canonical story]() **Published:** 2026-11-02T05:00:00.000Z **Category:** Research **Topics:** inference ## Summary Con người và động vật có khả năng tổng quát hóa và học hỏi trong các hoàn cảnh mới một cách độc đáo, bao gồm suy luận 0\-shot ZI và học liên tục CL, hai khả năng nhận thức mạnh mẽ\. Mặc dù quan trọng, các nỗ lực mô hình hóa ZI và CL bị hạn chế nghiêm trọng theo nhiều cách\. Thứ nhất, các mô hình hiện có thường thiếu các thành phần quan trọng đối với ZI và CL trong não, cụ thể là các inductive biases mạnh \(cho ZI\) và kiểm soát học tự chủ \(cho CL\)\. Thứ hai, các mô hình có thể khó phân tích hơn nếu các thành phần mô hình quá phức tạp \(thiếu tính đơn giản\), hoặc quá giới hạn tác vụ nếu các thành phần mô hình quá tùy chỉnh \(thiếu tính biểu cảm\)\. Ở đây chúng tôi giới thiệu các mạng Hebbian tự chủ AutoHebb, một loại mạng nơ\-ron feedforward học trực tuyến thực hiện các inductive biases mạnh và học được kiểm soát tự chủ, đồng thời đơn giản và biểu cảm\. Không giống như các mô hình tiêu chuẩn học thông qua tối ưu hóa được kiểm soát bên ngoài \(ví dụ: gradient descent\), mạng AutoHebb kết hợp phản hồi bên ngoài với hoạt động được tạo ra bên trong để tạo ra tín hiệu học toàn cục \('neuromodulator'\) được phản hồi lại mạng\. ## Sources - [Story source]()