Cet article se concentre sur l'amélioration des performances de l'algorithme forward-forward, proposé pour surmonter les limites de l'algorithme de rétropropagation, telles que son impraticabilité biologique et la propagation globale des erreurs. Les algorithmes forward-forward existants se sont révélés nettement inférieurs à l'algorithme de rétropropagation en termes de précision et d'efficacité d'inférence. Dans cette étude, nous proposons l'algorithme FAUST (Forward-Forward Algorithm Unified with Similarity-based Tuplet loss), qui intègre un cadre d'apprentissage de similarité à l'algorithme forward-forward, éliminant ainsi le besoin de multiples passes de propagation directe pendant le processus d'inférence. Les résultats expérimentaux obtenus à partir des jeux de données MNIST, Fashion-MNIST et CIFAR-10 démontrent que FAUST améliore significativement la précision par rapport aux algorithmes forward-forward existants, réduisant ainsi l'écart de performance avec l'algorithme de rétropropagation. Plus précisément, sur l'ensemble de données CIFAR-10, en utilisant une architecture de perceptron multicouche simple, nous obtenons une précision de 56,22 %, approchant la précision de 57,63 % de l'algorithme de rétropropagation.
