跳到正文
arXiv · 机器人与计算机视觉· Yucheng Chen·· 2026-10-08AI 评分73

Synthetic Benchmarks Overstate Forward-Forward Scaling: Real-Data Limits of Layer-Local Training

Synthetic Benchmarks Overstate Forward-Forward Scaling: Real-Data Limits of Layer-Local Training

AI 导读

论文提出 DTG-FF 方法以评估前向传播学习的扩展性,发现其在真实数据(如 CIFAR-10/100、ImageNet)上的性能显著落后于反向传播基线,且合成基准会高估该方法的泛化能力。系统审计还显示,在同等硬件条件下,标准反向传播的吞吐量优于 DTG-FF,不支持单纯以内存占用作为前向传播学习的优势理由。

来源:arXiv · 机器人与计算机视觉 · arxiv.org