Skip to content
Hot eventLive

论文：真实数据上Forward-Forward扩展性被合成基准高估

1 reports1 sources4 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 3 hr ago

LatestOct 8
论文提出DTG-FF，在九个真实数据基准达FF家族最优，CIFAR-10为91.8%，并建立ImageNet-100 224×224的FF基线。

Timeline

Follow the coverage from different angles.

Oct 8, 2026
  1. 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。

Heat trend

Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –

02.557.510Oct8Oct8Oct8Oct8

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.