Vision Hopfield Memory Network: neuroinspiriertes Modell verbessert Erklärbarkeit

In den letzten Jahren haben sich Vision‑ und multimodale Basismodelle wie Transformer‑Familien und State‑Space‑Modelle wie Mamba rasant weiterentwickelt. Trotz ihrer beeindruckenden Leistungen bleiben sie weit von den Rechenprinzipien des menschlichen Gehirns entfernt, fordern enorme Datenmengen und bieten nur begrenzte Transparenz.

Das neue Vision Hopfield Memory Network (V‑HMN) verfolgt einen neurowissenschaftlich inspirierten Ansatz. Es kombiniert hierarchisch angeordnete Hopfield‑Module – lokale Module für assoziatives Gedächtnis auf Patch‑Ebene, globale Module als episodisches Gedächtnis für kontextuelle Modulation – mit einer rekursiven Fehlerkorrektur, die von der Predictive‑Coding‑Theorie abgeleitet ist.

Durch die explizite Nutzung von Speicher‑Mechanismen wird die Beziehung zwischen Eingaben und gespeicherten Mustern sichtbar, was die Entscheidungsfindung nachvollziehbar macht. Gleichzeitig ermöglicht die Wiederverwendung von Mustern eine höhere Daten‑Effizienz, sodass weniger Trainingsdaten benötigt werden.

Umfangreiche Tests an öffentlichen Computer‑Vision‑Benchmarks zeigen, dass V‑HMN mit bestehenden Backbone‑Architekturen konkurriert, gleichzeitig aber eine bessere Interpretierbarkeit und höhere Daten‑Effizienz liefert. Damit demonstriert das Modell, dass ein Gehirn‑inspiriertes Design echte Vorteile für die Praxis bringen kann.