Oja's learning rule, or simply Oja's rule, named after Finnish computer scientist Erkki Oja (Finnish pronunciation:, AW-yuh), is a model of how neurons in the brain or in artificial neural networks change connection strength, or learn, over time.

2023年6月24日 · 文章介绍了神经网络中的突触可塑性模型，包括Hebb学习法则、Oja法则和BCM法则。 Hebb法则描述了当神经元同步激活时连接增强的现象，但存在权重无限增长的问题。

总结来说，oja rule的神经生物学意义为：神经元在演化的过程中，其突触权重的改变，更倾向于更大限度地提取输入的信息。 至于怎么从数据中提取出C，等我学会后再来回答。

2014年3月19日 · Oja's rule. Oja's rule 是对 Hebbian learning 的改进: 可以发现，其实Oja's rule就是取了前面的线性主部。 相应的微分方程变为: \(\frac{dz}{dt}=Az-(z^{\top}Az)z\) 性质有所欠缺，但是，在一定条件下依然可以保证一些良性。 引理 5（关于 \(\gamma_k\) 的选择） 定理 3

Oja rule: Δw = αv(x – vw) Sanger rule: Δw i = αv i (x – Σ k=1 i v k w k) Oja multi-unit rule: Δw i = αv i (x – Σ 1 N v k w k) In Sanger the sum is for k up to j, all previous units, rather than all units. Was shown to converge Oja network converges in simulations

2019年1月7日 · Oja’s rule 是对 Hebbian learning 的改进: 可以发现，其实Oja’s rule就是取了前面的线性主部。 性质有所欠缺，但是，在一定条件下依然可以保证一些良性。 注意，当推广到求解 X k 的时候有俩种: (29)的列不一定是相应的特征向量，但列所构成的子空间是一致的！ 我们先用均匀分布产生一个基础向量x，再在其上添加由标准正态分布所生成噪声，得到一串向量，来模拟数据。 用Oja’s rule 大概80次就能到达0.90的水准，与x的差距也不大，有7次比特征向量还要 …

2011年10月21日 · The Oja learning rule (Oja, 1982) is a mathematical formalization of this Hebbian learning rule, such that over time the neuron actually learns to compute a principal component of its input stream. Consider a simplified neuron model that has \ (n\) inputs \ (x_1, ... x_n\ ,\) each with a weight \ (w_i\ .\)

2022年10月26日 · 赫布学习（hebbian learning） 和oja rule之间到底是什么关系？ 其中，α是一个正的常数。 在实际中突触前动作电位和突触后动作电位的相对时间对于活动产生的对突触功效变化的符合和幅度至关重要。

2020年4月28日 · 除了基于权重之和的归一化方法，还有一种方法就是基于权重平方之和的方法，称为"multiplicative normalization"，比较著名的便是oja’s rule。 该方法将权重对其和的平方进行除法运算，（原始论文p=2）

2019年2月16日 · 用Oja's rule 大概80次就能到达0.90的水准，与x的差距也不大，有7次比特征向量还要好！ 而Hebbian learning 大概300次。 当然，这可能与我对步长的调整有关系，但是说实话，我已经尽力了。