深度双向预测编码(DBPC)：基于双流传播的神经网络分类与重建协同学习框架

为解决边缘设备计算资源受限及传统误差反向传播(EBP)的权重传输问题，研究人员提出深度双向预测编码(DBPC)算法。该方法通过双向信息传播机制，使单网络同步执行分类与重建任务，在MNIST、Fashion-MNIST和CIFAR-10数据集上分别实现99.58%、92.42%和74.29%的分类精度，并以仅0.425M/1.004M/1.109M参数量超越FIPC3等PC基准模型。其本地并行学习机制显著提升训练效率，为边缘智能提供新范式。

　　

在当前人工智能技术飞速发展的浪潮中，深度神经网络已成为计算机视觉领域的核心驱动力。从AlexNet到ResNet，这些模型通过不断增加的深度和参数量刷新性能纪录，却也让计算成本水涨船高。尤其当我们将目光投向移动设备、无人机等边缘应用场景时，传统依赖误差反向传播（Error Backpropagation, EBP）的训练方式暴露出两大痛点：一方面，EBP需要从输出层到输入层的反向梯度传递，导致硬件实现时存在"权重传输问题"；另一方面，动辄数百万参数的模型在资源受限设备上部署举步维艰。更令人遗憾的是，现有模型往往只能专注于单一任务——要么像卷积神经网络那样擅长图像分类，要么像自编码器那样专注图像重建，难以兼顾。

面对这些挑战，研究人员从大脑信息处理机制中获得灵感，提出名为"深度双向预测编码"（Deep Bi-directional Predictive Coding, DBPC）的创新算法。这项研究突破性地构建了能同步执行分类与重建的双任务网络，在保持预测编码（Predictive Coding, PC）理论本地学习优势的同时，显著提升了模型效率。相关成果已发表在人工智能领域顶级期刊《Neural Networks》上。

研究团队通过多层级架构设计和双向传播机制实现技术创新。在DBPC全连接网络（DBPC-FCN）中，每个层级同时接收来自前层的正向预测和后层的反向预测，通过动态平衡分类因子β_c与重建因子β_r实现双目标优化。针对图像任务扩展的DBPC卷积网络（DBPC-CNN）采用特定核设计（核尺寸K、填充P=(K-1)/2、步长1），确保卷积转置可直接用于反馈传播。模型在MNIST、Fashion-MNIST和CIFAR-10数据集上训练时，采用Adam优化器进行参数更新，并通过Grad-CAM++生成类激活图验证特征学习效果。

网络架构
DBPC网络通过层间双向连接（符号?）实现信息循环流动。在L层全连接架构中，第l层神经元同时接收前层预测?^ff_l = f(W_l-1y_l-1)和后层预测?^fb_l = f(W^T_ly_l+1)，突破传统PC模型仅支持反向传播的限制。这种设计使训练完成的网络可通过前向传播执行分类，通过反向传播实现任意层特征重建。

学习算法
核心创新在于双流误差的本地化计算：

• 表征学习：通过最小化联合误差E_yl = λ_f(e^ff_l-1 + e^ff_l) + λ_b(e^fb_l-1 + e^fb_l)更新神经元活性，其中λ_f/λ_b控制前馈/反馈权重（实验表明λ_b=0可稳定训练）
• 模型学习：权重更新依据分类重建双目标E_Wl = β_ce^ff_l + β_re^fb_l，使单组参数同步优化两类任务

卷积网络实现
DBPC-CNN通过对称卷积设计解决双向传播难题：当正向卷积核维度为C_l+1×C_l×H×W时，反馈传播直接使用其转置版本C_l×C_l+1×H×W，避免传统方法中耗时的转置卷积运算。这种设计在MNIST数据集上仅需0.425M参数即实现99.58%分类精度。

性能优势验证
在三大标准数据集