提出FFR回归学习框架
热点事件观察中
提出FFR回归学习框架
1 篇报道1 个报道来源1 天前更新
先了解这件事
报道摘要
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。
摘自 arXiv · cs.AI
最新进展10月7日 12:00
FFR：面向回归任务的Forward-Forward学习报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv · cs.AIFFR：面向回归任务的Forward-Forward学习
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。