FFCL：前馈 - 前馈神经网络与皮层回路，边缘上的训练与推理，无需反向传播
内容提要
本文提出了一种新的神经网络学习方法——正向前向算法（FFCL），通过消除反向传播，依赖本地更新来克服其局限性。研究表明，该算法在MNIST等数据集上表现出更高的分类准确率和计算效率，适用于图神经网络，具有生物合理性，推动了分布式深度学习的发展。
延伸解读
生物合理性与本地更新
FFCL 通过消除反向传播，仅依赖本地更新，解决了传统反向传播在生物大脑中的局限性。这种学习方式更接近生物神经网络的机制，因为反向传播需要全局误差信号，而本地更新只依赖神经元自身的活动。文章提到，FFCL 在 MNIST 等数据集上表现出更高的分类准确率和计算效率，并且具有生物合理性，这为开发更符合大脑工作原理的学习算法提供了新思路。
在图神经网络中的扩展
文章介绍了 ForwardGNN 和 GFF 等算法，将前向-前向学习扩展到图神经网络。ForwardGNN 不再需要产生负输入数据，每层可以从自下而上和自上而下的信号中学习，不依赖误差的后向传播。GFF 则通过贪婪、逐层的方式训练图神经网络，使用正负样本，显示出比反向传播更高的计算效率。这些扩展表明前向学习框架能有效处理图数据，并具有普适性。
卷积网络中的性能表现
在卷积神经网络中，前馈算法结合新的标记技术，在 MNIST 手写数字数据集上实现了 99% 的分类准确率。此外，通过通道竞争学习的改进方法，在 MNIST、Fashion-MNIST、CIFAR-10 和 CIFAR-100 上的测试错误率分别为 0.58%、7.69%、21.89% 和 48.77%，优于基于前向传递算法的最近模型。这表明前向学习在图像分类任务中具有竞争力，但复杂任务上的性能仍有提升空间。
分布式训练与效率优势
FF 算法在分布式计算环境中能促进神经网络层的并行训练，减少训练时间和资源消耗。文章指出，这种并行性旨在解决当前分布式深度学习系统中的固有挑战，并可能成为变革性工具。通过双向传递策略进行前向传递，与传统的前向和后向传递方法有显著区别，与人脑处理机制更接近，有望提供更有效且符合生物学原理的神经网络训练方法。
Q&A
什么是正向前向算法（FFCL）？
正向前向算法（FFCL）是一种新的神经网络学习方法，通过消除反向传播，依赖本地更新来克服其局限性。
FFCL在MNIST数据集上的表现如何？
FFCL在MNIST数据集上表现出更高的分类准确率，达到了99%。
FFCL与传统反向传播算法相比有什么优势？
FFCL通过前向学习方式解决了反向传播的局限性，具有更高的计算效率和生物合理性。
FFCL适用于哪些类型的神经网络？
FFCL适用于图神经网络，并扩展了原始的前向传播算法。
如何通过FFCL提高神经网络的训练效率？
FFCL在分布式计算环境中增强神经网络训练，减少训练时间和资源消耗。
图正向正向（GFF）算法的特点是什么？
GFF算法通过贪婪、逐层的方式训练图神经网络，显示出比反向传播更高的计算效率。
