Aggregazione Adattiva della Bontà su Scale Multiple Migliora l'Apprendimento Forward-Forward

Un team di ricercatori ha presentato l'Adaptive Multi-Scale Goodness Aggregation (AMSGA), un miglioramento innovativo dell'algoritmo Forward-Forward (FF) progettato per reti neurali con apprendimento locale. Questo nuovo approccio migliora stabilità, robustezza e generalizzazione integrando l'aggregazione della bontà su scale multiple a livello locale, intermedio e globale, impiegando un curriculum adattivo per il mining di esempi negativi difficili, soglie adattive specifiche per strato e un programma di apprendimento con riscaldamento e decadimento del coseno. Questi miglioramenti mantengono le caratteristiche di efficienza della memoria e plausibilità biologica del modello FF originale, superandone le limitazioni. I test su MNIST e Fashion-MNIST mostrano guadagni di prestazioni significativi rispetto all'algoritmo FF di base, con miglioramenti fino a +1,45% su MNIST e +1,50% su Fashion-MNIST, senza costi computazionali notevoli. I risultati sono pubblicati in arXiv:2605.18804.