NetworkFF：面向单向神经网络的统一层优化

前向-前向算法通过双前向传递（正负数据）消除了反向传播的内存限制和生物学不可信性。然而，传统实现 suffer from critical inter-layer isolation，即各层独立优化良好函数，缺乏对整体学习动力学的利用。这种隔离限制了表征协调，并限制了深层架构的收敛效率。本文引入协同前向-前向（CFF）学习，通过层间协作机制扩展原算法，既保留单向计算，又实现全局上下文集成。我们的框架实现了两种协同范式：固定CFF（F-CFF）采用恒定层间耦合，自适应CFF（A-CFF）采用可演化的可学习协作参数。协同良好函数包含来自所有层的加权贡献，实现协调特征学习，同时保持内存效率和生物学可信性。在MNIST和Fashion-MNIST上的全面评估表明，CFF显著优于基线前向-前向实现。这些发现表明，层间协作是前向-前向学习的根本性提升，具有直接适用于神经形态计算架构和能源受限AI系统的前景。