Sparse Goodness: How Selective Measurement Transforms Forward-Forward Learning

Diese Forschung untersucht und verbessert systematisch den Forward-Forward (FF) Algorithmus durch Neugestaltung seiner lokalen Gütefunktion, die positive von negativen Daten unterscheidet. Sie führt „top-k Güte“ und „entmax-gewichtete Energie“ ein und demonstriert erhebliche Genauigkeitsverbesserungen auf Benchmarks wie Fashion-MNIST.