Jan, 2022

序列相似性保留超向量表示的递归绑定

PDF
TL;DR本研究提出了一种基于超维计算和向量符号架构的模型，该模型使用分布式表示对大型固定维度的数据进行一系列操作，其中包括将序列转换为分布式表示，同时保留相同序列元素和序列位移的相似性，并采用递归绑定和叠加操作形成序列位置的表示。该模型名为傅里叶全息约减表示，但可适用于其他超维计算和向量符号架构模型。
hyperdimensional computingvector symbolic architecturesdistributed representationsrecursive bindingfourier holographic reduced representations
发现论文，激发创造
  • 超高维计算调查：向量符号结构，第一部分：模型与数据转换

    这份综述研究了高维计算和向量象征体系结构 (HDC / VSA) 的计算框架，并提供了对已知计算模型和将各种输入数据类型转换为高维分布表示的重要方面的概述。

    Nov, 2021

  • 超高维计算综述，又称矢量符号架构，第二部分：应用、认知模型和挑战

    本文是第二部分的综述，介绍了高维计算框架 HDC / VSA 的应用、在认知计算和体系结构中的作用，以及未来工作方向；HDC / VSA 由高维分布式表示组成，并依靠其关键操作的代数属性来结合结构化符号表示和向量分布式表示的优点。

    Nov, 2021

  • 硬件高效向量符号架构的 Sobol 序列优化

    使用优化算法和 Sobol 序列生成高质量超向量，改进了超维计算中的数据编码和性能，提高语言和标题分类的准确性并降低能量消耗。

    Nov, 2023

  • 张量积和超维计算

    在图嵌入的基础上，将一些结果推广到向量符号体系和超维计算的普遍设置中，正式建立张量积表示作为中心表示，并探讨了叠加、正交和张量积之间的数学关系。

    May, 2023

  • 从超向量中学习：超向量编码综述

    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

  • 广义全息简化表示

    通过引入 Generalized Holographic Reduced Representations (GHRR)，本文探讨了基于 Hyperdimensional Computing (HDC) 的深度学习方法，通过在保留连接主义方法的灵活性的同时，允许显式规定符号方法中的表征结构，从而提高了编码复杂数据结构的能力。

    May, 2024

  • 超维计算作为一种系统汇集图像描述符的框架

    本文介绍了利用超维计算将图像描述符组合成单个向量的新方法，并将其与其他知识进行快速向量运算，以此提高移动机器人场所识别性能。

    Jan, 2021

  • 空间感知图像检索：一种用于高效相似哈希的超维度计算方法

    我们提出了一种创新的图像哈希方法 NeuroHash，它利用高维计算将空间信息符号编码为高维向量，从而实现空间感知有条件的图像检索。我们的方法将预训练的大型视觉模型与 HDC 操作相结合，实现了空间编码的特征表示。基于局部敏感哈希（LSH）的哈希技术确保了快速高效的图像检索，评估结果显示了图像哈希方法的新进展，提高了检索准确性。

    Apr, 2024

  • 超维变换在分布建模、回归和分类中的应用

    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

  • uHD: 轻量级和动态超高维度计算的一元处理

    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