Sparse Goodness: How Selective Measurement Transforms Forward-Forward Learning
Cette recherche étudie et améliore systématiquement l'algorithme Forward-Forward (FF) en redéfinissant sa fonction de bonté locale, qui distingue les données positives des négatives. Elle introduit les concepts de 'top-k goodness' et 'entmax-weighted energy', démontrant des améliorations substantielles de la précision sur des benchmarks comme Fashion-MNIST.