连接主义
Parent: ai_keywords
连接主义（Connectionism）
核心定义
连接主义是一种认知科学与人工智能的跨学科范式，其核心思想认为：智能行为源于大量简单处理单元（神经元）之间通过加权连接构成的网络动态。该范式反对符号主义的显式表征，主张知识编码于连接权重之中，认知过程即网络中激活模式的演替。在神经科学中，连接主义对应着大脑的连接组（connectome）概念——从局部微环路到全脑尺度，突触连接的拓扑与可塑性决定信息处理能力。
关键技术点
-
人工神经网络（ANN）
由输入层、隐藏层、输出层节点构成，每对节点间的权重可调，通过前向传播将输入映射为输出。其数学本质是高维非线性函数逼近器。 -
反向传播算法（Backpropagation）
通过链式法则计算损失函数关于权重的梯度，并沿网络反向逐层更新权重，是监督学习下连接强度的训练核心。 -
分布式表征
概念由多个神经元共同编码（而非单细胞对应单一符号），具有容错性与泛化能力。例如：词嵌入中语义相近的词激活相似的神经元群体。 -
突触可塑性规则（如Hebbian学习）
“一起放电的神经元连接在一起”——前与后突触同步活动增强连接强度，是生物学习和记忆的微观基础，也启发了无监督学习算法。 -
深度学习中的连接主义先验
卷积层中的局部连接、共享权重视觉皮层的感受野结构；循环神经网络中的循环连接模拟皮层-皮层反馈通路。
医学/神经科学应用场景：脑卒中后运动功能重塑的预测
以首都医科大学神经病学团队的研究为例：脑卒中导致皮质脊髓束损伤后，运动功能恢复依赖于残存神经连接的重组。研究者构建连接主义模型（基于全脑弥散张量成像DTI的结构连接矩阵，经图神经网络处理），将每个脑区视为节点，纤维束密度和轴向弥散度作为边权重。模型可动态模拟康复训练中Hebbian可塑性如何增强病灶周围区与对侧运动皮层的代偿连接。在真实临床数据上，该模型预测6个月后Fugl-Meyer运动功能评分的相关系数达0.72，显著优于传统病灶体积分析。此方法还用于优化**经颅直流电刺激（tDCS）**的靶点选择——根据网络最脆弱路径的拉普拉斯特征向量，指导阳极/阴极放置，实现精准神经调控。
