arXiv · cs.AI· Xinyang Liu, Xuanyu Liang, Shiqi Ding, Boyang Li, Zhiqiang Que, Jiayang Li, Guosheng Hu·· 1 天前
FFR：面向回归任务的Forward-Forward学习
FFR: Forward-Forward Learning for Regression
arXiv:2606.03927v2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：Xinyang Liu, Xuanyu Liang, Shiqi Ding, Boyang Li, Zhiqiang Que, Jiayang Li, Guosheng Hu
研究任务与主要进展
研究者提出FFR，将Forward-Forward学习扩展到连续目标回归任务，并通过序数竞争goodness function、分层梯度和多尺度预测实现竞争性表现。基于论文摘要，FFR在六个真实世界回归基准上平均恢复BP准确率的98.5%，深度8和32时的峰值训练内存分别为BP的27%和8%，每次迭代时间约为BP的72%，并超过所比较的BP-free方法。
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