热点事件持续更新
论文：真实数据上Forward-Forward扩展性被合成基准高估
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月8日，arXiv Neural and Evolutionary Computing 发布论文（一手报道），指出现有合成基准高估了 Forward-Forward（FF）算法在真实数据上的扩展性，并提出 DTG-FF 方法，引入动态温度 goodness、解耦归一化与多层融合。论文在九个真实数据基准上达到 FF 家族当时最优：CIFAR-10 准确率 91.8%，并在 ImageNet-100 224×224 上建立 FF 基线。报道未涉及更早或相互矛盾的说法。
AI 根据报道生成 · 1 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · Neural and Evolutionary Computing合成基准高估 Forward-Forward 扩展性：层局部训练的真实数据极限
论文提出 DTG-FF（动态温度 goodness、解耦归一化、多层融合），在九个真实数据基准上达到 FF 家族当时最优：CIFAR-10 91.8%，并在 ImageNet-100 224x224 建立 FF 基线。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。