研究提出burstiness goodness函数改进Forward-Forward训练效果

Akkus等研究者的论文提出基于超额峰度的burstiness goodness目标及top-k、entmax加权能量的选择性goodness，用于改进Forward-Forward算法中goodness函数的设计，论文入选NeurIPS 2026主会poster。 论文系统研究了goodness函数的选择性与活动形状对学习效果的影响。在验证集调参、五种子、匹配ReLU激活、标准标签注入、逐层评分的Fashion-MNIST实验中，burstiness将准确率从平方和的73.2±0.9%提升到88.6±0.4%；在CIFAR-10上，使用相同的分块标签通路，burstiness将块局部ResNet-18的准确率从28.9±0.5%提升到46.8±2.5%。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。