本研究提出了一种自监督预训练框架FSFM，通过掩码图像建模和实例区分，学习人脸的局部与全局特征，从而显著提升人脸表征的迁移性能。

本研究比较了自监督表征学习中的前向-前向算法和反向传播的性能，并发现前者在迁移性能方面滞后。进一步研究和调查是必要的。

本研究比较了自监督表征学习中的前向-前向算法和反向传播的性能，并发现前向-前向算法在迁移性能方面滞后。需要进一步研究来稳定前向-前向策略。

该文介绍了一种新的攻击方法，称为块洗牌和旋转（BSR），通过随机洗牌和旋转输入图像块来构造新的图像用于梯度计算。在 ImageNet 数据集上实验表明，BSR 的迁移性能优于现有方法，与当前输入变换方法相结合，能进一步提高迁移性能，优于最先进的方法。

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。