본 논문은 자율적으로 작동하는 에이전트를 위한 평생 학습 알고리즘으로, 제한된 자원 환경에서도 효율적인 학습이 가능한 Self-Contrastive Forward-Forward (SCFF) 알고리즘을 제안합니다. 기존의 Forward-Forward (FF) 알고리즘의 한계점인 부정확한 음성 데이터 생성 문제를 해결하기 위해 자기 지도 학습 방식의 대조 학습 기법을 도입하여 다양한 데이터셋에서 우수한 성능을 보였습니다. 특히, 기존의 비지도 지역 학습 알고리즘들보다 MNIST, CIFAR-10, STL-10, Tiny ImageNet 등의 벤치마크 데이터셋에서 성능이 뛰어났으며, 순환 신경망에도 적용 가능성을 보여주어 시계열 데이터 처리에도 활용될 수 있음을 시사합니다. 이는 자원 제약이 있는 에지 디바이스에서 고정확도의 실시간 학습을 가능하게 할 수 있는 잠재력을 지닌다고 저자들은 주장합니다.
