適応型マルチスケールGoodness集約：Forward-Forward学習の新たな拡張
研究者らは、Forward-Forward（FF）アルゴリズムの新たな拡張である適応型マルチスケールGoodness集約（AMSGA）を提案する。これは、マルチスケールGoodness集約、適応カリキュラムに基づくハードネガティブマイニング、層依存適応閾値、ウォームアップコサインアニーリング学習率スケジュールを導入し、局所学習ニューラルネットワークの安定性、ロバスト性、汎化性能を向上させる。MNISTおよびFashion-MNISTでの実験では、計算オーバーヘッドをほとんど伴わずに、それぞれ最大1.45%および1.50%の精度向上を達成した。
最近、arXivに「適応型マルチスケールGoodness集約によるForward-Forward学習」（AMSGA）と題する研究論文が投稿されました。本論文はSalar Beigzad氏とVansh Verma氏によって執筆され、2026年5月11日に提出されました。この研究は、生物学的に妥当でメモリ効率の良い局所学習パラダイムであるForward-Forward（FF）アルゴリズムの性能を向上させるための新しい拡張を提案しています。
FFアルゴリズムは、その生物学的妥当性とメモリ効率の良さから注目されていますが、安定性、ロバスト性、汎化能力に関していくつかの限界があります。AMSGAはこれらの問題を克服するために設計されました。主な革新点として、局所、中間、大域表現からのGoodness信号を統合するマルチスケールGoodness集約、適応カリキュラムに基づくハードネガティブマイニング、層に応じて異なる閾値を設定する層依存適応閾値、そしてウォームアップコサインアニーリング学習率スケジュールが含まれます。
実験は標準ベンチマークデータセットMNISTおよびFashion-MNISTで行われ、AMSGAは元のFFアルゴリズムと比較して、計算オーバーヘッドをほとんど伴わずにMNISTで最大1.45%、Fashion-MNISTで1.50%の精度向上を達成しました。これらの結果は、Goodness推定と訓練ダイナミクスを注意深く設計することで、局所学習手法がより競争力を持つ可能性があることを示唆しています。
本論文は6ページ、IEEE形式で、5つの表を含み、詳細な実験結果を提供しています。研究チームは、AMSGAが将来のより効率的で強力な生物インスパイア型学習アルゴリズムの開発への道を開くと信じており、特にリソース制約のある環境やオンライン学習が求められるシナリオに適しています。論文の完全版はarXiv（ID: 2605.18804）から入手可能です。