# Forward–Forward Algorithm 的后续改进检索与证据审计

> 当前覆盖等级：L2。结构化数据、严格验证以及最终位置的桌面、手机、键盘和 `file://` 真实浏览器回归均已通过。

## 范围与截止日期

- **研究问题：** 2022 年 FF 提出后，哪些工作真正修改或直接检验了 FF 的正/负相、goodness、负样本、层间协作、架构外延、物理实现或扩展性边界？
- **受众：** 机器学习、计算神经科学、神经形态计算和物理学习研究人员。
- **时间：** 2022-10-01 至 2026-08-13；原始 FF 是奠基条目。
- **语言：** 英文为主，中文只用于交付说明。
- **来源优先级：** T1 正式论文/DOI/会议期刊页、OpenReview/PMLR、arXiv 作者预印本；T2 作者/机构项目或代码；T3 搜索结果、博客和聚合页只用于发现，不能单独支撑结论。
- **严格纳入：** 直接修改或直接评测 FF；原始 FF 后续的 goodness、正负/自对比、层协作、深度、CNN/ViT/图任务、器件闭环和公平反证。
- **桥接纳入：** ForwardGNN、Forward Projection、NoProp，因它们直接解释或比较 FF 的局部前向边界，但页面中显式标为邻接范式。
- **排除：** 仅把 FF 当作基线、仍执行端到端 BP 的深监督、直接反馈对齐/零阶优化而非 FF goodness、词面重合和无法核验一手入口的工作。

## 检索分层与查询矩阵

检索采用“发现 → 核验 → 反证 → 补漏”。本项目的结构化账本在 `planning/search_ledger.jsonl`，共 21 条查询记录、约 158 次候选筛选、32 次纳入事件，最终去重为 14 个工作族；命中总量均写为 `null`，因为搜索服务没有稳定返回可复现命中数。

| 查询家族 | 精确查询示例 | 目的 | 结果 |
|---|---|---|---|
| 核心对象 | `\"Forward-Forward Algorithm\" Hinton 2022 paper` | 确认原始论文、名称和版本 | 原始 arXiv 预印本；本地 PDF 深读 |
| 历史与谱系 | `\"Forward-Forward\" references citations later variants` | 追踪后续变体和相邻概念 | Trifecta、Layer Collaboration、SCFF、CFF-ViT 等 |
| 方法路线 | `\"The Trifecta\" deeper Forward-Forward`；`\"HCL-FF\" hierarchical contrastive Forward-Forward` | 搜索深度、层级、对比和好度改进 | Trifecta、HCL-FF、BiCovG、Advancing FF |
| 评测与应用 | `\"Training convolutional neural networks with the Forward-Forward Algorithm\"`；`Forward-only learning in memristor arrays with month-scale stability` | 发现同骨干反证、硬件和真实任务 | Scientific Reports 2025、DTG-FF、忆阻器预印本 |
| 综述与谱系 | `Forward-Forward algorithm scaling benchmark arXiv OpenReview` | 发现术语、版本族和引用链 | 仅作为候选发现，不承担核心证据 |
| 风险与反证 | `failure limitation negative result benchmark fairness reproducibility Forward-Forward` | 主动寻找局限、负面、显存和吞吐证据 | 卷积 FF、DTG-FF、Advancing FF |
| 前沿更新 | `Forward-Forward 2026 CVPR Neural Networks Nature Communications` | 截止日前复核正式/预印本状态 | HCL-FF、BiCovG、DTG-FF、Forward Projection、NoProp |

## 查询日志摘要

完整逐条记录见 `planning/search_ledger.jsonl`。其中 2026-08-12 的记录来自工作区已有独立审计：它保存了正式论文、DOI、OpenReview 和作者预印本入口，以及独立的反证与版本核验。2026-08-13 追加了当前任务的范围化查询和失败入口。

本轮网络限制如下：外部 `web` 搜索接口返回网络错误；命令行 DNS 请求失败；应用内浏览器访问 arXiv 与 AAAI 正式页被安全策略拒绝。因此 2026-08-13 的失败记录的 `screened` 和 `included` 均为 0，不能解释成“没有搜索结果”。本项目沿用工作区内上一轮对一手页面的审计结果，并在每条 `source_note` 里标出证据边界。

## 纳入、排除与去重

纳入标准是：工作必须贡献机制、直接扩展、直接反证或部署证据中的至少一种，并且有可核验的一手入口。筛选结果保存在 `planning/screening.csv`，包括 14 个纳入工作族、3 个排除/边界对照和版本/机制边界说明。

去重顺序为 DOI → arXiv/OpenReview/PMLR 等稳定 ID → 正式论文 URL → 规范化题名与作者。预印本与正式版若属于同一工作族，优先用正式版本的题名、年份和证据；预印本仍在 `source_note` 或版本字段中保留。BiCovG、DTG-FF、忆阻器 FF 当前均按预印本处理，不能误写为同行评议论文。

## 证据与阅读层级

- **A：** 正式论文且直接回答 FF 的机制、比较或边界问题，例如 Layer Collaboration、CFF-ViT、SCFF、卷积 FF 和 HCL-FF。
- **B：** 正式但属于邻接 forward-learning，或正式条目的可访问正文有限，例如 ForwardGNN、Forward Projection、NoProp、Advancing FF。
- **C：** 预印本、原始初步调查或硬件前沿，必须显式保留出版和复现边界，例如 Hinton 2022、BiCovG、DTG-FF 和忆阻器 FF。

出版状态不等于证据质量。`planning/claim_ledger.csv` 给出每条核心主张的 `V/D/P/Q`：核验深度、支持直接性、出版/验证状态和研究质量。纯局部、局部目标内部 BP、截断反向、预训练读出和物理闭环均分开记账。

## 反证与负面结果

反证轮重点检查了 `failure`、`limitation`、`negative result`、`benchmark`、`fairness`、`memory`、`wall-clock`、`energy` 和 `reproducibility`。最重要的直接结果如下：

1. Scientific Reports 2025 同一六层 CNN 的 BP 为 85.4±0.4%，纯 FF 为 60.9±0.6% 或 68.6±0.5%。
2. DTG-FF 2026 在匹配骨干真实数据上报告 BP 在 CIFAR-10/100 高 2.40/5.93 个百分点；ImageNet-100 和 8GB GPU 系统测量没有支持局部更新自动带来更优总成本。
3. HCL-FF 的相对既有 FF 提升不能写成超越 BP；BiCovG 的最佳差距缩小依赖允许块内 BP 的混合版本；Trifecta 的 OLU 也是有限范围反向边界。
4. 忆阻器 FF 的多层实验仍有软件矩阵乘，完整硬件闭环只到单层；器件写入能耗不等于完整训练系统能耗。

## 覆盖饱和与 L2 闸门

| 闸门 | 状态 | 审计依据 |
|---|---|---|
| 范围与来源 | 通过 | `planning/research_contract.yaml` 已冻结；严格条目与邻接桥接分开；14 个工作族均有 T1 入口。 |
| 分支代表性 | 通过（声明范围内） | 覆盖奠基、正负/好度、深度协作、架构外延、反证、硬件和邻接范式；硬件分支稀疏但已保留直接条目与缺口。 |
| 边际收敛 | 通过（声明范围内） | 工作区独立审计记录两个互补饱和轮未发现新的一级机制；本专项补漏新增的是版本、评测和硬件边界。 |
| 深读 | 通过 | 原始 FF、Trifecta、Layer Collaboration、CFF-ViT、SCFF、卷积 FF、HCL-FF、BiCovG、DTG-FF、忆阻器完成正文/附录级记录；Advancing FF 保守为摘要级，不把未核验组件写入结论。 |
| 证据审计 | 通过 | `claim_ledger.csv` 覆盖数字、比较、因果/性能边界、出版状态和纯局部/混合边界；“未发现”措辞没有被升级为绝对不存在。 |

## 失败入口与后续更新

- 当前外部搜索和应用内浏览器无法重新打开页面；完整失败记录已保留，未安装未经用户同意的依赖，也未把搜索结果页当作证据。
- 预印本正式化、代码和数据更新仍可能改变出版状态与结果；下次更新优先复核 BiCovG、DTG-FF、忆阻器 FF 和 Advancing FF。
- 需要新的研究时，应沿同一查询矩阵增加真实数据、ImageNet-1K/长序列/开放词汇和全栈资源测量，并保持工作族去重。