综述：一种稳定的自组织空间池化算法在分层时序记忆中的应用

本文推荐一种改进的分层时序记忆（HTM）算法，通过动态列组织机制和基于负载能力的稳定激活策略，解决了传统空间池化器（SP）固定列数和激活不稳定的问题。实验表明，该算法在序列学习中显著提升预测精度和训练效率，优于传统HTM和长短期记忆网络（LSTM）。

　　

分层时序记忆的革新：稳定自组织算法的突破

Abstract

分层时序记忆（HTM）作为受大脑新皮层启发的神经网络技术，其核心模块空间池化器（SP）通过稀疏分布式表示（SDR）编码输入数据。传统SP存在固定列数设定和激活不稳定两大缺陷。本研究提出动态列组织机制，根据输入数据自适应调整学习列数量，并引入列负载能力（loadability）替代传统提升机制（boosting），显著提升SDR稳定性。实验验证其在合成与真实数据集上均优于传统HTM和LSTM。

Introduction

HTM模仿大脑新皮层的时空学习能力，其SP模块通过近端突触连接输入数据，激活特定列生成SDR。然而，固定列数（如常规2048列）导致资源浪费或不足，而基于激活频率的提升机制引发SDR波动。本文提出数据驱动的列组织策略：仅初始化与输入活跃位连接的列，并通过负载能力量化列表征能力，避免频繁调整。

Stable Self-organized HTM

动态列组织：输入数据的二进制活跃位直接决定参与学习的列，避免预设列数的盲目性。例如，简单序列仅需少量列，而复杂模式动态扩展列池。
负载能力激活：以列负载能力（反映其固有表征强度）替代激活频率，确保相同输入的SDR一致性。负载能力通过突触权重和输入匹配度计算，与数据重复出现无关。

实验验证

在合成序列和真实数据集（如运动预测）中，SSO_HTM的列利用率随输入逐步稳定（图4），训练耗时降低30%，预测精度提升15%。对比实验显示，仅采用动态列组织的SOP_HTM或仅引入负载能力的SSP_HTM均部分改善性能，但二者结合效果最优。

Conclusions

该算法通过数据自适应列组织和负载感知激活，实现了HTM的高效稳定学习，为生物启发式AI提供了新思路。未来可探索多模态输入下的扩展应用。