Studio di Ricerca Propone Architettura Ibrida di Rete Neurale Senza Backpropagation End-to-End

Il documento di ricerca "Multi-Frequency Local Plasticity for Visual Representation Learning" presenta un framework gerarchico progettato per il riconoscimento visivo che minimizza la dipendenza dall'apprendimento basato su gradienti end-to-end. Espandendo il concetto di VisNet, questo sistema integra una decomposizione Gabor multi-frequenza fissa attraverso sette flussi paralleli, impiegando apprendimento competitivo all'interno di ciascun flusso tramite aggiornamenti Hebbiani e di Oja, insieme alla decorrelazione anti-Hebbian. Un modulo di memoria associativa, ispirato al recupero contemporaneo di Hopfield, e una modulazione top-down iterativa utilizzando segnali locali di predizione e ricostruzione completano l'architettura. I livelli rappresentazionali vengono addestrati senza backpropagation attraverso la gerarchia, ottimizzando solo la lettura lineare finale e le matrici di proiezione top-down tramite discesa del gradiente. Gli autori descrivono questo come un sistema ibrido, principalmente addestrato localmente ma che incorpora alcuni parametri addestrati con gradienti. Questo documento, arXiv:2604.09734v1, è stato presentato come cross submission e presenta risultati preliminari sul dataset CIFAR-10, esplorando come il bias architetturale strutturato possa compensare la mancanza di apprendimento rappresentazionale basato su gradienti end-to-end.