arXiv · cs.AI· Przemys{\l}aw Spyra, Witold Dzwinel·· 11 小时前
无反向传播深度学习的能耗：前向算法硬件验证基准研究
Energy-Efficient Deep Learning Without Backpropagation: A Rigorous Hardware-Validated Benchmarking Study of Forward-Only Algorithms
arXiv:2511.01061v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Przemys{\l}aw Spyra, Witold Dzwinel
研究任务与主要进展
基于论文摘要，研究人员在NVIDIA A100 GPU上对MNIST、Fashion-MNIST、CIFAR-10和CIFAR-100开展近1000次运行，比较Forward-Forward、CaFo、Mono-Forward与调优反向传播基线的能耗、功率、内存和测试准确率。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org