论文用边界接近指数评估Forward-Forward学习

UC Irvine 的 Alireza Rahmansetayesh 等（Pierre Baldi 组）在 arXiv 论文（arXiv:2610.16347）中提出用边界接近指数（BPI，一种以类中心为参照归一化的多类间隔）分析 Forward-Forward 学习，作者指出仅用线性探针准确率评估可能高估学习贡献。该方法考察误分类样本被挽救的情况：对七种 Forward-Forward 变体及相关逐层方法的分析显示，靠近决策边界的误分类样本通常具有更高挽救率，部分方法也能纠正一部分深度嵌入错误区域的样本。论文还指出，对未训练卷积网络表征做线性探针就已达到远高于随机的准确率，因此需要区分学习相对未训练基线的实际贡献。以上内容基于论文摘要，属作者声称的分析结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。