用边界接近指数评估局部学习纠错增益

基于摘要分析。本文研究 Forward-Forward 及相关逐层局部学习方法的评估问题，提出利用 Boundary Proximity Index（BPI）分析训练前后样本分类状态的变化，以区分学习带来的纠错增益与随机未训练表征本身的可分性。主要对象是通用分类表征学习，而非 EEG 或 BCI。 Forward-Forward 以局部、逐层训练目标替代端到端反向传播。作者指出，仅用表征上线性探针的分类 Accuracy 评价这类方法，可能高估学习本身的贡献：作者报告，未训练卷积神经网络的表征配合线性探针，Accuracy 已明显高于随机水平；摘要未提供具体任务、数值或探针训练协议。 BPI 是以类别质心参考量归一化的多分类间隔，用于刻画样本相对探针决策边界的位置。作者将分析应用于七种 Forward-Forward 变体及相关局部学习方法，报告初始误分类且靠近决策边界的样本，通常比深处错误决策区域的样本更容易在训练后被纠正；不同方法的纠正率差异明显，部分方法能够纠正相当一部分深处错误区域的样本。摘要未提供具体比例，因此不能据此量化方法间差距。 其贡献是将总体 Accuracy 拆解为样本层面的纠错行为，并把深处错误决策区域样本的纠正作为改进局部学习的目标。BPI 的精确定义、数据集与划分、探针拟合流程、训练前后比较协议、消融及统计信息尚未验证。 平台推测（待验证）：这一评估思路可用于核查 EEG 表征训练相对随机初始化的实际增益，但不代表 Forward-Forward 已在 BCI 中有效。可复用样本分层与纠正率分析，需核对 EEG 特征尺度、类别质心稳定性及跨被试差异；低信噪比和小样本可能使深处错误区域混入噪声或异常样本。一个可检验的小实验是在固定跨被试划分与线性探针协议下，对比同一编码器随机初始化和训练后的 Accuracy，并按初始 BPI 分组统计纠正率与新增误分类率。已有 EEG 相关工作尚未检索确认。