FFCL: Red Forward-Forward con Bucles Corticales, Entrenamiento e Inferencia en el Borde Sin Retropropagación

El algoritmo de Aprendizaje Forward-Forward (FFL) es una solución propuesta recientemente para entrenar redes neuronales sin necesitar retropropagación que consume mucha memoria. Durante el entrenamiento, las etiquetas acompañan a los datos de entrada, clasificándolos como entradas positivas o negativas. Cada capa aprende su respuesta a estas entradas de manera independiente. En este estudio, mejoramos el FFL con las siguientes contribuciones: 1) Optimizamos el procesamiento de etiquetas segregando el reenvío de etiquetas y características entre capas, mejorando el rendimiento del aprendizaje. 2) Al revisar la integración de etiquetas, mejoramos el proceso de inferencia, reducimos la complejidad computacional y mejoramos el rendimiento. 3) Introducimos bucles de retroalimentación similares a los bucles corticales en el cerebro, donde la información circula y regresa a neuronas anteriores, permitiendo a las capas combinar características complejas de capas anteriores con características de menor nivel, mejorando la eficiencia del aprendizaje.