探索了前馈算法在卷积神经网络中的应用，并使用新的标记技术，在 MNIST 手写数字数据集上实现了 99％的分类准确率，并比较了不同超参数对算法性能的影响。

Dec, 2023

通过反馈与前馈路径的关联对齐机制，提出了一种学习算法 Feedback-Feedforward Alignment (FFA)，通过共同优化分类和重建任务，使得反馈连接具有去噪、解决遮挡、幻觉和想象等视觉推理功能，并提供了比传统的反向传播方法更接近生物合理性的实现。这项研究为解释视觉皮层中反馈连接支持灵活视觉功能的机制提供了有前景的概念证明，也为感知现象下的视觉推理领域做出了贡献，对于开发更具生物启发的学习算法具有重要意义。

Oct, 2023

通过通道竞争学习在卷积神经网络中提出前向传递算法（Forward-Forward Algorithm）的改进方法，构建一个逐层有竞争性的学习过程，避免了负数据的生成、收敛速度较慢以及在复杂任务上性能不足等限制，在图像分类任务中，我们的方法优于基于前向传递算法的最近模型，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%。这项研究主张了一种能够以模块化、更高效、更灵活的方式学习有用的表示的方法。

Dec, 2023

我们介绍了一种快速的自适应前向网络（SaFF-Net）用于医学图像分析，通过减少能量消耗和资源限制，解决了当前模型训练和微调中主要依赖反向传播的问题。

Jun, 2024

本文提出了一种方法，将传统的 CNN 转换为可解释的 CNN，以澄清 CNN 高卷积层中的知识表示。在可解释的 CNN 中，高卷积层中的每个滤波器表示某个物体部分，无需任何部件或纹理的注释就可以在学习过程中自动分配。实验表明，可解释的 CNN 中的滤波器比传统 CNN 中的滤波器更具有语义意义。

Oct, 2017

本文提出了一种简单而有效的框架，将现代卷积神经网络 (CNNs) 与全连接 (FC) 层相结合，展示了这种架构变化在小数据区间的巨大影响。另外，还提出了一种在线联合知识蒸馏方法，以利用额外的 FC 层来提高 CNN 模型的泛化能力，并在测试时避免了它们。我们在超级学习和主动学习的几个标准数据集上进行了分类实验，实验结果明显优于没有全连接层的网络，在有监督设置下准确率最高可达到 16%。

Oct, 2022

本文提出了一种基于卷积神经网络、自组织映射聚类和赫布学习的卷积自组织神经网络（CSNNs）的建模方法，可以在无需反向传播的情况下完成学习，利用所提出的建模方法可以用于图像分类领域并取得与 Backpropagation 方法相当的性能。

Jan, 2020

本文提出了用于快速前馈执行的扁平卷积神经网络，该网络训练扁平化的连续序列 1D 过滤器，可通过减少学习参数以提供约两倍的速度提升，可以有效地替代 3D 过滤器而不会丧失准确性，而且无需人工调整或后处理

Dec, 2014

介绍一种凸化卷积神经网络方法，利用再现核希尔伯特空间将卷积滤波器表示为向量，并将 CNN 参数表示为低秩矩阵，进而通过凸优化求解 CNN，其泛化误差与最优 CNN 一致，CCNNs 通过逐层训练使其在性能上与基线方法相当。

Sep, 2016

本文提出了一种称为 ReFF 的方法，通过解释输出来探测与任务相关的特征并规范卷积神经网络，以应对训练和测试数据集分布不同的情况，并在测试数据上提高了准确度。

Feb, 2022