記憶パターンの一様な検索能力を向上させる現代のホップフィールドモデル

本研究では、記憶パターンの検索能力を向上させるため、学習可能な特徴マッピングを用いて、ホップフィールドエネルギー関数をカーネル空間に変換する手法を提案する。この変換により、エネルギーの局所最小値と検索ダイナミクスの固定点が一致するようになり、新しい類似度尺度として活用できる。さらに、記憶パターン間の分離を最大化する損失関数を導入し、二段階の最適化フォーミュレーションを提案する。これにより、現代ホップフィールドモデルの記憶容量が大幅に向上する。