高维计算是一种新的计算范式，通过长向量（称为超向量）进行操作。该论文提出了一种基于轻量级向量生成器的高效编码方法，以减少计算平台的要求，并改进超向量的性能。

Nov, 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

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

提出了一种完整的内存中超维计算（HDC）系统，该系统通过语言分类、新闻分类和电肌图信号手势识别三种典型的 HDC 相关学习任务，实验性地使用 760,000 个相变存储器件执行模拟内存中计算，实现了与软件实现相当的准确性。

Jun, 2019

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

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

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

本研究提出了基于超维计算的聚类算法，通过利用编码数据的相似性确定初始聚类超维，并通过实验证明相似性传播聚类算法在八个数据集上的聚类精度优于其他算法，提高了聚类算法的准确性。

Dec, 2023

本文介绍了一种基于脑部启发的高维计算范例的集成学习模型 EnHDC，并表明 EnHDC 在各种应用场景中能够实现平均 3.2% 的准确率提高，并且 EnHDC 具有较低的存储需求，这对于在低功率计算平台上实现 HDC 具有重要意义。

Mar, 2022