在这项工作中, 我们通过提出增量预测编码 (iPC) 来解决这个问题, 它是源自 增量期望最大化算法的原始框架的一种变体, 其中每个操作都可以在没有外部控制的情况下并行执行。...当出现与预测不同的刺激时, 学习通过更新内部神经活动和突触来发生, 以最小化预测误差。...在 E-step 中, 内部神经活动并行更新, 直到收敛; 在 M 步中, 执行权重更新以进一步最小化相同的能量函数。...结果是我们称之为增量预测编码 (iPC) 的训练算法, 它是 PC 的简单变体, 解决了PC 的主要缺点(即效率), 从学习的角度来看没有缺点, 因为它已被正式证明具有与标准 PC 等效的收敛特性...3.然后我们在大量图像分类基准上测试我们的模型, 表明 iPC 的平均性能优于 PC, 并且与 BP 相似。