arXiv 论文提出 BPI 评估 Forward-Forward 学习

arXiv 上线一篇 cs.AI 论文，作者 Alireza Rahmansetayesh 等提出基于 Boundary Proximity Index（BPI）的分析方法，用于评估 Forward-Forward 学习。BPI 是一个用类质心作归一化的多分类间隔，作者称它的目的是考察学习相对随机未训练基线的真实增益，因为常用分类准确率容易被高估。 对七种 Forward-Forward 变体及相关层局部方法的分析显示：靠近决策边界的误分样本被纠正的比例普遍高于深陷错误决策区域的样本，且各方法的纠正率差异明显。这一结论来自该论文的分析，反映的是上述方法在该评估下的表现，而非通用效果。

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。