본 논문은 역전파의 가중치 전달을 우회하고 출력 오차를 개별 계층에 직접 방송하여 크레딧 할당 문제를 해결하는 새로운 신경망 학습 프레임워크인 오류 방송 및 상관 제거(EBD)를 제시합니다. EBD는 최소 평균 제곱 오차 추정기의 확률적 직교성 속성에 엄격하게 근거합니다. 이 기본 원리는 최적 추정기의 오차가 입력 함수와 직교한다는 것을 나타냅니다. 이러한 통찰력에 따라 EBD는 계층 활성화와 출력 오차 간의 상관관계를 직접적으로 처벌하는 계층별 손실 함수를 정의하여 오류 방송에 대한 원칙적인 기반을 마련합니다. 이론적으로 견고한 이 메커니즘은 실험적으로 관찰된 3요소 학습 규칙으로 자연스럽게 이어지고 생물학적으로 타당한 프레임워크와 통합되어 성능과 타당성을 향상시킵니다. 수치 실험은 벤치마크 데이터 세트에서 다른 오류 방송 방법에 비해 EBD의 경쟁력 있는 성능 또는 더 나은 성능을 보여줍니다. 우리의 연구 결과는 EBD를 신경망 훈련을 위한 효율적이고 생물학적으로 타당하며 원칙적인 대안으로 확립합니다.
