Aug, 2022

利用高维计算技术实现可穿戴健康应用的高效个性化学习

PDF
TL;DR研究使用超高维计算的方法实现在可穿戴设备上进行个性化和隐私保护的机器学习，该方案提高了训练的效率，同时精度较高。
machine learningwearable deviceson-device learningprivacy-preservinghyperdimensional computing
发现论文，激发创造
  • 超维度计算在边缘智能中的终身应用

    设计和部署了首个适用于有限监督的 IoT 应用的设备上终身学习系统 LifeHD，基于 Hyperdimensional Computing (HDC) 的轻量级学习模式，在离线边缘平台上实现，通过智能存储和管理高维、低精度矢量来提高非监督聚类准确性和能源效率。

    Mar, 2024

  • 具有类脑神经适应性的稳健可扩展的高维计算

    通过动态 HDC 学习框架识别和再生不需要的维度，以提供足够的准确性，并大幅降低维度，从而加速训练和推理。

    Nov, 2023

  • 使用嵌入式设备上的超维度计算增强皮肤透醇水平检测

    酒精消耗对个人健康有重大影响，过度饮酒时后果更为显著。实施及时干预的健康饮酒习惯是一种促进方法，通过在大量饮酒时发送提示醉酒的及时通知。本研究旨在使用超维计算技术设计一种适用于智能手机、智能可穿戴设备和物联网部署的即时干预方法，通过研究不同的超维编码设计和学习模型，实现低延迟、最小功耗和高并行性。研究结果显示，准确率达到 89％，比当前最先进的技术提高了 12％。

    Mar, 2024

  • 可扩展高效的高维计算网络入侵检测

    本文提出了一种创新的超维计算学习框架 ——CyberHD，通过重新生成维度来捕捉网络威胁的复杂模式，达到极低维度，并且具有很高的硬件错误容错性。

    Apr, 2023

  • 内存中的高维度计算

    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

  • 使用高维度计算的二进制图像编码框架

    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

  • MicroHD：面向 TinyML 系统的高维计算算法的精度驱动优化

    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

  • HEAL: 脑启发的高维效能主动学习

    通过引入超维度高效主动学习（HEAL）框架，本文针对 HDC 分类提出了一种通过不确定性和多样性引导采集的主动学习方法，从而提高数据的有效性和降低劳动成本。HEAL 与现有 HDC 分类器架构轻松集成，通过先验超向量实现 HDC 分类器中的不确定性估计，同时使用超向量作为原型来选择批次内的多样样本进行标注。实验证明，HEAL 在主动学习质量方面超过了多种基准方法，并实现了比基于 BNN 或多样性引导的主动学习方法更快的采集速度。

    Feb, 2024

  • 超维度计算：高效隐私保护机器学习即服务的救星

    本文研究了使用超维度计算与同态加密的机器学习推断系统，实现了对加密数据的隐私保护，同时提高了性能。

    Aug, 2023

  • 资源高效的联邦高维计算

    提出了一种资源高效的联邦超高维计算（RE-FHDC）框架，通过训练多个较小的独立 HDC 子模型并使用所提出的 dropout-inspired 程序来精炼串联的 HDC 模型，实现与基线联邦 HDC 实现相比消耗较少计算和无线电资源的可比或更高的预测性能。

    Jun, 2023