현대의 심층 신경망 (Deep neural network) 아키텍처는 역전파 (Backpropagation)를 통해 학습되며, 이는 파라미터가 업데이트되기 전에 오류가 모든 레이어를 통해 순차적으로 전파될 것을 요구합니다. 이는 두 가지 제한 사항을 초래합니다: 레이어별 업데이트가 엄격하게 상호 의존적이며 병렬로 진행될 수 없는 락킹 (Locking) 현상, 그리고 정확한 그래디언트 (Gradient) 계산을 위해 대칭적인 순방향 및 역방향 경로를 요구하는 가중치 전송 문제 (Weight transport problem)입니다. 이러한 제약 조건은 병렬성을 제한하고, 메모리 및 통신 오버헤드를 증가시키며, 확장 가능한 학습 (Scalable learning)에 어려움을 줍니다. 본 연구에서는 심층 신경망을 계층적으로 연결된 블록으로 분해하고, 변분 원리 (Variational principles)에서 도출된 로컬 학습 목적 함수를 사용하여 학습하는 프레임워크인 계층적 블록 국소 학습 (Hierarchical Block-Local Learning, HBLL)을 제안합니다. 이는 네트워크 전체에 걸쳐 효과적인 정보 전파를 유지하면서도 전체 엔드투엔드 (End-to-end) 역전파의 필요성을 제거합니다. HBLL은 $N$이 네트워크 레이어의 수일 때, $\mathcal{O}(\log N)$의 병렬 시간 복잡도로 심층 신경망을 학습할 수 있는 최초의 알고리즘입니다. 우리는 HBLL이 서로 다른 계층적 경로에 해당하는 서브네트워크 (Subnetworks) 제품군을 암시적으로 정의하여, 서로 다른 유효 레이어 수로 유연한 추론 (Inference)을 가능하게 함을 보여줍니다. 우리는 도전적인 비전 (Vision) 및 언어 모델링 (Language modeling) 태스크 세트에서 HBLL을 평가하여 경쟁력 있는 성능을 달성했습니다. 또한 HBLL을 순환 시퀀스 아키텍처 (Recurrent sequence architectures)로 확장하여, 기존에는 시간 기반 역전파 (Backpropagation through time)에 의존하던 설정에도 적용했습니다.