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

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

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

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

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

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

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

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

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（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