用于 Forward-Forward 学习的自适应多尺度优度聚合

我们提出了自适应多尺度优度聚合（Adaptive Multi-Scale Goodness Aggregation, AMSGA），这是 Forward-Forward (FF) 算法的一种新颖扩展，旨在提升局部学习神经网络的稳定性、鲁棒性和泛化能力。AMSGA 通过引入跨局部、中间和全局表示的多尺度优度聚合、自适应课程引导的难负样本挖掘、层依赖的自适应阈值，以及用于提升优化稳定性的预热余弦退火学习率调度，解决了原始 FF 框架的若干局限性。这些修改共同增强了 FF 范式，同时保留了其生物学合理性与内存高效特性。在 MNIST 和 Fashion-MNIST 上的实验表明，相较于基线 FF 算法有一致的性能提升，在 MNIST 上实现了高达 +1.45% 的提升，在 Fashion-MNIST 上实现了 +1.50% 的提升，且没有显著的额外计算开销。我们的结果表明，通过精心设计优度估计与训练动态，局部学习方法可以变得更具竞争力。