寻找优秀性：面向前向算法的大规模良好性函数基准测试

前向-前向（Forward-Forward，FF）算法提供了一种生物学上符合人类直觉的反向传播备选方案，使神经网络能够通过局部更新来学习。然而，FF算法的效果很大程度上取决于“良好性”（goodness）的定义，而良好性是神经活动的标量度量。尽管当前实现主要利用简单求和平方度量，但是否选择该默认选项仍不明确。为此，我们在四个标准图像数据集（MNIST、FashionMNIST、CIFAR-10、STL-10）上对21种不同的良好性函数进行基准测试，评估分类准确率、能源消耗和碳足迹。我们发现，来自多个领域的某些替代性良好性函数显著优于标准基线。具体而言，\texttt{game\_theoretic\_local}在MNIST上实现了97.15%的准确率，\texttt{softmax\_energy\_margin\_local}在FashionMNIST上达到82.84%的准确率，\texttt{triplet\_margin\_local}在STL-10上达到37.69%的准确率。此外，我们观察到计算效率存在显著差异，这凸显了预测性能与环境成本之间的关键权衡。这些发现表明，良好性函数是FF设计中的关键超参数。我们在\href{https://github.com/aryashah2k/In-Search-of-Goodness}{Github}上发布代码供参考和可重复性使用。