本文介绍了SymBa算法，旨在比反向传播算法更生物学合理地学习。该算法通过平衡正负损失和引入内在类模式，提升了性能和收敛速度。研究表明，前向-前向算法训练的神经网络在分类任务中表现优越，具有更高的稀疏度和强健性。此外，Polar-FFA算法改善了梯度不平衡问题，提升了模型准确性和训练稳定性。

本研究首次比较了前向-前向算法与反向传播在自监督表征学习中的性能。实验结果表明，前向-前向算法在迁移性能上显著落后于反向传播，尽管训练过程表现相似。研究还探讨了前向-前向算法的优势，并提出了一种新的学习过程，以提高神经网络的训练效率和有效性。

该研究比较了自监督表征学习中前向-前向算法和反向传播的性能，发现前者在迁移性能方面滞后。建议进一步研究以稳定前向-前向策略。