HCL-FF：层次化对比学习前向-前向算法
计算机视觉与模式识别
2026-05-26 v1
摘要
通过反向传播训练的深度神经网络在视觉任务中取得了卓越的性能，但仍然在生物学上不可实现、计算上昂贵且难以解释。前向-前向(FF)算法通过局部良好目标独立训练每一层，提供了一条有前景的替代方案。然而，其纯粹的局部优化缺乏跨层的层次化协调，良好度与特征的解耦也导致表征不受约束且在语义上含糊不清。我们提出了一种层次化对比学习 FF 框架(HCL-FF)以解决这些限制。HCL-FF 引入了 (1) 一种从粗到细的层次化学习策略，引导表征从低层线索发展到高层语义，以及 (2) 一种监督对比目标，用于在良好度解耦后强制类判别性对齐。在 CIFAR-10、CIFAR-100 和 Tiny-ImageNet 上的实验表明，HCL-FF 在 FF 类方法中实现了新的性能榜，分别取得了 +5.46%、+17.00%、+12.51% 的显著准确率提升。
引用
@article{arxiv.2605.24797,
title = {HCL-FF: Hierarchical and Contrastive Learning for Forward-Forward Algorithm},
author = {Jie-En Yao and Hong-En Chen and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2605.24797},
year = {2026}
}
备注
Accepted by CVPR 2026. Code: https://github.com/JNNNNYao/HCL-FF