深度分析
層級本地化 Forward‑Forward（DTG‑FF）於 CIFAR‑10、ImageNet‑100 表現分析
研究檢視層級本地化的Forward‑Forward(FF)訓練，提出DTG‑FF改進方案，於CIFAR‑10/100、ImageNet‑100等九項真實資料集達到SOTA，卻仍比同架構的反向傳播低2‑6個百分點，顯示在高類別與高解析度下的效能天花板。
Forward-Forward
深度分析
softplus 衰減引發 Forward-Forward 層級搭便車，局部修補改善層分離但未明顯提升準確度
本文以 Forward-Forward（FF）訓練框架為出發，揭示「累積 goodness」會使後層承接先前已部分完成的分離任務，產生層級 free-riding（搭便車）現象。研究在理論上以 softplus 函數推導出梯度隨先前區塊正邊界（margin）指數衰減的界限，並提出三種局部修補策略：每區塊校正、難度門控與深度尺度化。
深度分析
Hyperspherical Forward-Forward（HFF）：以超球面原型解決 Forward-Forward 的推論瓶頸
深度學習長期依賴反向傳播帶來運算與記憶負擔。HFF將每層投影到單位超球面，並以可學習的類別原型作為幾何錨點，將局部目標改寫為直接的多類別分類，實現單次前向推論並消除逐類別遍歷，傳導上超過40倍加速，ImageNetTop‑1表現逾25%且轉移學習達65.96%。