Synergistic Information Distillation for Machine Learning
Synergistic Information Distillation (SID) 该算法通过 协同信息蒸馏 实现完全无反向传播的模块化训练，核心思想是将深度网络分解为多个独立优化的模块，每个模块通过局部目标函数逐步精炼”信念分布”。 网络架构 整体结构 变量说明 ： x : 输入数据（如图像）
Archive
2026 / 01
Adaptive Spatial Goodness Encoding in Machine Learning
Adaptive Spatial Goodness Encoding 该算法结构模仿VGG的Block思想，提出了带有Adaptive Spatial Goodness Encoding的Block模块： Block Structure 输入X i为多通道矩阵数据(H, W, c) Convolut
Introduction to ResNet
算法部署 Residual Block 结构 ResNet的核心创新在于引入了 残差连接（Residual Connection） ，也称为 跳跃连接（Shortcut Connection） 。每个Residual Block的基本结构如下： 算法流程 数据流动过程： 1. 输入阶段 ：特征图 x
Convolutional Channel-wise Competitive Learning
卷积通道竞争学习 (CwC) 算法部署笔记 该算法通过 通道维度的竞争机制 实现完全无反向传播的卷积网络训练。其核心思想是将特征图划分为类别相关的通道组，通过最大化目标类别的激活强度来引导网络自主学习特征，摆脱了对全局梯度和负样本生成的依赖。 1. 算法部署框架 1.1 核心架构：CFSE Bloc