Current commonly used image recognition convolutional neural networks sharesome similarities with the human brain. However, the differences are many and the wellestablished backpropagation learning algorithm is not biologically plausible. Hebbianlearning is an algorithm that could minimize these differences and potentially provide imagerecognition networks with brain-like advantageous features. Here we explore the differencesbetween Hebbian learning and backpropagation, both regarding accuracy andrepresentations of data in hidden layers. Overall Hebbian networks performed considerablyworse than conventional backpropagation-trained networks. Experiments with incompletetraining data and distorted test data resulted in smaller but still visible performancedifferences. However, the convolutional filter structure of Hebbian networks proved to besimpler and more interpretable than the backpropagation equivalent. We hypothesize thatimprovements to increase scaling capabilities of Hebbian networks could render them apowerful alternative for image classification networks with more brain-like behavior.

Convolutional neural networks, vanligt använda nätverk förbildigenkänning, är konstruerade för att efterlikna den mänskliga hjärnans struktur. Det finnsdock stora skillnader och den vanligaste inlärningsalgoritmen bakåtpropagering är inte rimligur ett biologiskt perspektiv. Hebbiansk inlärning är en algoritm som kan minska dessaskillnader och potentiellt ge bildigenkänningsnätverk fördelaktiga, hjärnlika egenskaper. Härutforskar vi skillnaderna mellan bakåtpropagering och hebbiansk inlärning, med avseende påträffsäkerhet och representationer av data i nätverkens dolda lager. Sammantagetpresterade hebbianska nätverk betydligt sämre än konventionella nätverk. Experiment medmindre träningsdata och förvrängd testdata resulterade i mindre men fortfarande synligaprestandaskillnader. Däremot visade sig strukturen för faltningsfiltren i hebbianska nätverkvara enklare och mer tolkningsbar än motsvarande filter för standardnätverken. Vi föreslåratt förbättringar för att öka skalningsmöjligheter för hebbianska nätverk kan göra dem till ettkraftfullt alternativ för dagens bildklassificeringsnätverk genom ett mer hjärnliknandebeteende.