《Nature Communications》：Closed-form feedback-free learning with forward projection
编辑推荐：
本研究针对反向传播算法依赖梯度反馈的局限性，提出了一种无需逆向通信的前向投影（FP）训练方法。通过随机非线性投影生成膜电位目标值，采用闭式回归实现单次前向传播的局部优化。在多个生物医学数据集上，FP在保持泛化能力的同时显著提升训练效率，其层间可解释性为临床诊断特征识别提供新思路。
在人工智能领域，基于误差反向传播（Backpropagation）的深度学习模型虽成效显著，但其依赖全局梯度反馈的机制存在明显局限：一方面需要多次迭代的前向-后向传播计算，训练效率低下；另一方面网络中间层的可解释性差，难以追踪决策依据。这一问题在医疗诊断等高风险场景中尤为突出——医生既需要模型快速适配少量样本（如罕见病诊断），又要求其决策过程透明可信。
为此，研究团队在《Nature Communications》发表论文，提出名为“前向投影（Forward Projection, FP）”的新型学习框架。该方法突破性地利用随机非线性投影与闭式回归，仅通过单次前向传播即可完成网络训练，无需任何逆向误差反馈。实验表明，FP在多个生物医学数据集上达到与梯度下降法相当的泛化能力，且在少样本学习中表现更优，其层间膜电位可直接解读为标签预测，为临床诊断提供可解释的决策依据。
关键技术方法包括：1）基于随机投影的膜电位目标生成技术，将输入数据与标签映射为预激活状态的目标值；3）闭式回归（Closed-form Regression）优化局部损失函数，避免迭代调参；4）在公开生物医学数据集（如病理图像、生理信号等）上验证有效性。
核心机制：前向投影的数学构建
通过随机生成的非线性变换矩阵，将输入特征和标签共同映射为神经元膜电量的目标值，使每个隐藏层可直接拟合标签相关特征。
生物医学诊断验证
在癌症病理图像分类等任务中，FP模型仅需单轮前向传播即达到与传统局部学习方法相当的准确率，训练速度提升数十倍。
少样本学习优势
当训练样本不足时，FP模型的泛化误差显著低于反向传播优化模型，其层间激活值可直观识别病变区域特征。
可解释性分析
FP网络的膜电位（Membrane Potentials）呈现层次化标签编码特性，例如最后一层激活值可直接作为疾病概率估计，中间层则对应解剖结构特征。
本研究证实了前向投影在摒弃反向传播的同时保持模型性能的可行性。其闭式求解特性大幅降低计算开销，而层间可解释性为医疗AI模型的可信部署提供新路径。未来可探索FP与脉冲神经网络（Spiking Neural Networks）的结合，进一步逼近生物神经系统的高效学习机制。
