Forward–Forward Algorithm 的后续改进

Forward–Forward Algorithm 的后续改进研究地图

从正负好度到层协作、现代架构与物理部署的可审计谱系

纳入 2022 年原始 Forward–Forward（FF）提出后，直接修改 FF 的正负相、goodness、负样本、层间协作、架构/任务、硬件实现或直接评测的工作；原始 FF 作为奠基条目。另纳入 4 个明确标注为邻接桥接的 forward-only/局部目标工作，用于解释 FF 的边界，但不把它们误称为严格 FF 变体。优先正式会议/期刊和作者预印本；截止 2026-08-13。长尾应用、只把 FF 当作未改造基线的论文、仅词面重合的 forward-forward、仍执行端到端反向传播的局部辅助损失均排除。

纳入成果: 14
研究路线: 6
资料截止: 2026-08-13
分析维度: 改进所处系统层级
覆盖深度: L2 · 范围内覆盖饱和

领域全貌

路线 × 层级

先用关键词和出版状态缩小范围，再点地图节点聚焦一组工作。其他节点会继续保留，方便在不同路线与层级之间连续比较。

按组浏览

选择路线与层级

每个按钮对应一组研究工作，数字会随关键词和出版状态筛选实时更新。

当前范围：0 项；聚焦结果：0 项。

查看聚焦结果

路线导览

每条路线回答什么

发展时间线

关键工作如何沿时间展开

每根柱表示该年份纳入地图的工作数。它反映本次检索语料的年代分布，不等同整个领域的真实发文量。

研究工作索引

按路线浏览本次收录

显示 0 项。

证据边界

调研边界与延伸阅读

领域概览

FF 的核心变化不是换一个优化器，而是把全局损失改造成每层的正/负 goodness 判别，并用两次前向更新。后续研究主要沿三条互补方向推进：改造负样本与好度函数，向深层引入层间协作或层级目标，把机制迁移到 CNN、ViT、图网络和器件。直接反证同时显示，纯局部 FF 的深度协调、泛化和总系统成本仍未解决；更强的结果常引入局部截断反向、监督对比、多层融合或混合块，因此必须区分“跨层无反向”和“完全无反向”。

范围与受众

目标读者：机器学习、计算神经科学、神经形态计算与物理学习研究人员

覆盖边界：纳入 2022 年原始 Forward–Forward（FF）提出后，直接修改 FF 的正负相、goodness、负样本、层间协作、架构/任务、硬件实现或直接评测的工作；原始 FF 作为奠基条目。另纳入 4 个明确标注为邻接桥接的 forward-only/局部目标工作，用于解释 FF 的边界，但不把它们误称为严格 FF 变体。优先正式会议/期刊和作者预印本；截止 2026-08-13。长尾应用、只把 FF 当作未改造基线的论文、仅词面重合的 forward-forward、仍执行端到端反向传播的局部辅助损失均排除。

覆盖深度：L2 · 范围内覆盖饱和

核心判断

截至截止日，FF 的后续改进尚未证明可以在通用深度学习中全面替代反向传播；最清晰的进展是把问题从负样本与局部好度，推进到层间协调、真实数据公平评测和物理器件闭环。

建议阅读路径

阅读时先区分纯 FF、跨层无反向但层内仍求梯度、以及硬件/邻接 forward-only 范式；评价新方法时同时要求同骨干精度、收敛、训练步数、总 FLOPs、显存、墙钟、负样本成本和硬件外围成本。