arXiv · cs.AI· Yucheng Chen·· 2 天前
DTG-FF在真实数据基准上揭示Forward-Forward的扩展局限
Synthetic Benchmarks Overstate Forward-Forward Scaling: Real-Data Limits of Layer-Local Training
arXiv:2606.06539v2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：Yucheng Chen
研究任务与主要进展
研究者提出DTG-FF，并在九项真实数据基准上审计Forward-Forward层局部训练的可扩展性；CIFAR-10和CIFAR-100上，架构匹配的BP-DeepSup分别领先2.40和5.93个百分点，ImageNet-100上DTG-FF为49.4%，低于自监督BP训练的ResNet-50线性评估的75.6%。
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