挽救陷于错误决策区域内部的样本点：评估与改进 Forward-Forward 学习的目标

研究关注 Forward-Forward 学习的表征评估：单一分类 Accuracy 能否揭示训练相对随机表征的实际贡献。作者提出基于 Boundary Proximity Index（BPI）的分析方法，追踪初始误分类样本与决策边界的距离及其被训练纠正的情况。本文基于摘要分析，未取得论文全文。 Forward-Forward 以逐层局部训练目标替代端到端反向传播，其变体常通过在所学表征上训练线性探针来评估。作者报告，在其考察的相同卷积架构上，随机、未训练权重产生的表征也能使线性探针获得明显高于随机猜测的 Accuracy；因此，仅看训练后探针的分数，可能高估学习方法本身的贡献。这里并非否定线性探针，而是强调需要随机表征参照及样本级分析。 BPI 是一种以类别质心参照进行归一化的多类别间隔指标。作者将分析用于七种 Forward-Forward 变体及相关逐层局部学习方法，并报告：初始误分类样本中，靠近探针决策边界的样本通常更容易被纠正，深入错误决策区域的样本则更难被纠正；不同方法的纠正比例差异明显，部分方法能够纠正相当一部分远离边界的错误样本。摘要未给出具体数据集、划分、Accuracy 数值或纠正比例，BPI 的精确定义、探针训练协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 EEG 表征评估，可将“相同架构的随机权重表征—训练后表征”的探针对照与 BPI 分组结合，检查总体 Accuracy 提升是否覆盖原本难以区分的样本，而非只改善边界附近样本。假设其依赖的类别质心与间隔估计在 EEG 上足够稳定；低信噪比、被试差异及小样本可能破坏这一条件。可先在固定被试内划分下比较随机与训练表征，保持探针协议一致，检验初始 BPI 分组与纠正比例的关系；随后再评估跨被试适用性。该方法尚无材料支持的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。