超维计算下的神经网络符号粘接

May, 2022

Gluing Neural Networks Symbolically Through Hyperdimensional Computing

Peter Sutor, Dehao Yuan, Douglas Summers-Stay, Cornelia Fermuller, Yiannis Aloimonos

TL;DR本研究探讨了使用二进制超空间向量直接对神经网络的分类输出信号进行编码的概念，以便在符号层次上将不同的网络结合在一起。这种方法可以迭代地执行，甚至在单个神经网络上进行。我们发现此过程超越了现有技术水平，在几乎没有额外开销的情况下提高了性能。

Abstract

hyperdimensional computing affords simple, yet powerful operations to create long Hyperdimensional Vectors (hypervectors) that can efficiently encode information, be used for learning, and are dynamic enough to be modified on the fly. In this paper, we explore the notion of using

hyperdimensional computing binary hypervectors neural networks consensus summation classification hypervector

发现论文，激发创造

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

探索超维向量对特斯林机器的影响

提出了一种基于超向量的方法，用于表达与任何输入数据相关的任意大概念集合，通过在超维空间构建向量大大扩展了 Tsetlin 机器的容量和灵活性，展示了如何根据提出的方法对图像、化学化合物和自然语言文本进行编码，并展示了所得到的超向量驱动的 Tsetlin 机器在知名基准测试中实现了显著更高的准确性和更快的学习速度，为 Tsetlin 机器开启了一个新的研究方向，即如何扩展和利用在超空间中操作的好处，包括新的布尔化策略、TM 推理和学习的优化，以及新的 TM 应用。

Jun, 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

稀疏二进制超向量的认知建模与学习

基于 VSA 理论框架，提出了一种使用稀疏二进制超向量的认知模型，并引入学习算法来从输入数据流中引导模型的训练，在有效性和透明度方面有了显著改进。该模型模拟人类认知过程，在会话中可以进行在线训练，并探索了在自然语言处理领域中利用这些超向量进行词级嵌入的进一步应用。

Sep, 2023

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

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。