研究审计FF层局部训练真实数据可扩展性

Yucheng Chen 发布论文，提出 DTG-FF 方法并据此审计 Forward-Forward 层局部训练在真实数据上的可扩展性，结论是合成基准夸大了 FF 的可扩展性。作者称，DTG-FF 在九个真实数据基准上刷新 FF 系列当时最优成绩，CIFAR-10 达 91.8%，并在 ImageNet-100 224x224 上给出 FF 基线。上述成绩和数据均来自论文作者的自述。 论文将 DTG-FF 定位为审计工具，用于检验层局部训练实际能扩展多远，而非证明其已具备通用可扩展性。

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。