内存中的高维度计算
生物信息学中的关键词为:算法、深度学习、超维计算、组学数据。本文总结并探索了超维计算在生物信息学中的潜力,强调了其效率、可解释性和处理多模态和结构化数据的能力。超维计算对于组学数据搜索、生物信号分析和健康应用具有巨大的潜力。
Feb, 2024
该研究介绍了一个名为” ame {}” 的编译器工具,可以将高维超向量分类方法的高级描述翻译为优化的 C 代码,为嵌入式系统和高性能计算提供了最大性能和最小内存使用的支持;试验表明,使用该编译器工具的训练和推断速度提高了大约 25 倍至 132 倍,内存使用减少了 5 倍至 158 倍,这对研究和应用探索超维计算在分类任务中的应用具有重要价值。
Apr, 2023
超维计算 (HDC) 是一种具有巨大潜力的计算范例,尤其在机器学习和数据科学领域引起了广泛关注。本文介绍了超维变换的理论基础,并展示了其在机器学习中的应用,包括回归、分类、统计建模等方面。
Nov, 2023
通过减少资源需求以及提供压缩和效率提升,作者提出了一种新的面向准确性的 Hyperdimensional computing(HDC)优化方法,可用于不同编码函数的 HDC 实现,并且能够在保持 1% 以下的准确性降低的前提下,实现与基线实现相比高达 200 倍的压缩和效率提升。
Mar, 2024
提出了一种基于超维计算的新型轻量级编码方法,通过兴趣点选择和局部线性映射来保留附近位置模式的相似性,达到了对 MNIST 和 Fashion-MNIST 数据集分别为 97.35% 和 84.12% 的准确率,并且相对于基准编码方法,该方法还表现出更高的噪音和模糊容忍度。
Dec, 2023
超维度计算(HDC)是一种模拟大脑结构,提供强大高效的处理和学习模型的新兴计算范式。本文聚焦于 HDC 系统输入和超向量生成两个方面,探讨各种生成超向量的方法,并探索其局限性、挑战和潜在优势,以深入理解 HDC 中各种编码类型及多样的应用领域中复杂的超向量生成过程。
Aug, 2023
近年来,硅光子学计算作为深度神经网络(DNN)的一种有希望的替代方案崭露头角。本文提出了 PhotoHDC,这是第一个用于 HDC 训练和推断的电光子加速器,支持基本的、记录的和图形编码方案,并通过评估常见数据集显示,我们的加速器在实现 HDC 训练和推断方面可以达到比最先进的电光子 DNN 加速器低两到五个数量级的能量延时积,而且还比基于 CiM 的加速器低四个数量级的能量延时积。
Nov, 2023