自適應多尺度Goodness聚合：前向-前向學習的新擴充套件
研究人員提出自適應多尺度Goodness聚合（AMSGA），作為前向-前向（FF）演算法的新擴充套件，透過多尺度Goodness聚合、自適應課程引導的困難負樣本挖掘、層依賴自適應閾值和預熱餘弦退火學習率排程，顯著提升了區域性學習神經網路的穩定性、魯棒性和泛化能力。在MNIST和Fashion-MNIST上分別獲得最高1.45%和1.50%的精度提升，且幾乎不增加計算開銷。
近期，arXiv上釋出了一篇題為“自適應多尺度Goodness聚合用於前向-前向學習”（AMSGA）的研究論文，由Salar Beigzad和Vansh Verma撰寫，於2026年5月11日提交。該研究針對前向-前向（Forward-Forward, FF）演算法在穩定性、魯棒性和泛化能力方面的侷限性，提出了一種新穎的擴充套件方法——自適應多尺度Goodness聚合（AMSGA）。
FF演算法是一種區域性學習正規化，因其生物合理性和記憶體效率而受到關注，但在實際應用中，其效能往往不如傳統的反向傳播演算法。AMSGA透過多個創新設計來增強FF演算法：首先，它引入了多尺度Goodness聚合，將區域性、中間和全域性表示中的Goodness訊號整合在一起，為網路提供更豐富的學習訊號；其次，採用自適應課程引導的困難負樣本挖掘方法，根據訓練程序動態調整負樣本的難度，使模型能夠更有效地學習判別性特徵；此外，層依賴自適應閾值允許網路的不同層根據自身特性設定不同的Goodness閾值，從而更靈活地適應資料分佈；最後，預熱餘弦退火學習率排程策略最佳化了訓練過程的穩定性，避免了早期訓練的不穩定。
實驗在標準基準資料集MNIST和Fashion-MNIST上進行，結果表明AMSGA在幾乎不增加計算開銷的情況下，分別實現了最高1.45%和1.50%的精度提升。這些改進表明，透過精心設計Goodness估計和訓練動態，區域性學習方法可以變得更加具有競爭力。論文共6頁，採用IEEE格式，包含5個表格，詳細展示了實驗結果和與基線FF演算法的對比。
研究團隊認為，AMSGA為未來開發更高效、更強大的生物啟發式學習演算法鋪平了道路，特別適用於資源受限或需要線上學習的場景。論文的完整版本可透過arXiv獲取（ID: 2605.18804）。