arXiv cs.AI· Xinyang Liu, Xuanyu Liang, Shiqi Ding, Boyang Li, Zhiqiang Que, Jiayang Li, Guosheng Hu·· 13 小时前AI 评分24
FFR：面向回归任务的前向-前向学习框架
FFR: Forward-Forward Learning for Regression
AI 导读
FFR 是首个将 Forward-Forward（FF）学习扩展到真实回归任务的框架，在六个真实回归基准上平均恢复 BP 精度的 98.5%，同时将深度 8 时的峰值训练内存降至 BP 的 27%、深度 32 时降至 8%，单次迭代时间约为 BP 的 72%。它引入序数竞争 goodness 函数、分层阶梯架构与带不确定性估计的层次化预测三项创新，显著优于所有无 BP 的竞争方法。
来源：arXiv cs.AI · arxiv.org