Introducida por Donald Hebb, en 1949, es también llamada regla de Hebb, postulado de aprendizaje de Hebb o Teoría de la Asamblea Celular, y afirma lo siguiente: La teoría se resume a menudo como: "las células que se disparan juntas, permanecerán conectadas", aunque esto es una simplificación del sistema nervioso no debe tomarse literalmente, así como no representa con exactitud la declaración original de Hebb sobre cambios de la fuerza de conectividad en las células.
La teoría es comúnmente evocada para explicar algunos tipos de aprendizajes asociativos en los que la activación simultánea de las células conduce a un pronunciado aumento de la fuerza sináptica.
La teoría de Hebb se encarga de cómo se conectan las neuronas formando engramas.
Las teorías de Hebb sobre la forma y la función de la asamblea celular se pueden entender de la siguiente manera: Gordon Allport ha propuesto nuevas ideas sobre la teoría de la Asamblea celular y su papel en la formación de los engramas, en el sentido del concepto de auto-asociación, que se describe como sigue: La teoría hebbiana ha sido la base principal de la visión convencional de que los engramas son redes neuronales cuando se analizan desde un nivel holístico.
Los trabajos de laboratorio de Eric Kandel han aportado pruebas de la participación de mecanismos de aprendizaje hebbiano en las sinapsis del gasterópodo marino Aplysia californica Los experimentos sobre los mecanismos hebbianos de modificación en las sinapsis del sistema nervioso central de vertebrados son mucho más difíciles de controlar que los experimentos con las sinapsis del relativamente simple sistema nervioso periférico estudiadas en invertebrados marinos.
Gran parte del trabajo sobre cambios sinápticos de larga duración en neuronas de vertebrados (como la potenciación a largo plazo) implican el uso de estimulación experimental no fisiológica de células cerebrales.
Un estudio resultado de estos experimentos indica que los cambios a largo plazo en la fuerza de las sinapsis pueden ser inducidos por actividad sináptica fisiológicamente relevante que trabaja tanto a través de mecanismos hebbianos como no hebbianos.
Los nodos que tienden a ser positivos o negativos al mismo tiempo tienen fuertes pesos positivos, mientras que aquellos que tienden a ser contrarios tienen fuertes pesos negativos.
Este original principio es quizás la forma más simple de selección de pesos.
Hoy en día, el término aprendizaje hebbiano por lo general se refiere a algún tipo de abstracción matemática del principio original propuesto por Hebb.
En este sentido, el aprendizaje hebbiano implica que los pesos sean ajustados de manera que cada uno de ellos represente la mejor relación posible entre los nodos.
Como tal, muchos métodos de aprendizaje de la naturaleza pueden ser consideradas como hebbianos.
La siguiente es una formulación matemática del aprendizaje hebbiano: (nótese que muchas otras descripciones son posibles) donde
(no se permiten conexiones reflexivas).
es la dimensión del vector de entrada,
Es un aprendizaje por épocas (los pesos se actualizan después de que todos los ejemplos de formación se han presentado).
De nuevo en las redes Hopfield las conexiones
La regla de Hebb se generaliza frecuentemente como: o el cambio en el peso
es igual a la tasa de aprendizaje
Esta versión de la regla es claramente inestable, como en cualquier red con una señal dominante los pesos aumentarán o disminuirán exponencialmente.
Sin embargo, se puede ver que para cualquier modelo de neurona, la regla de Hebb es inestable.