Jun, 2023

资源高效的联邦高维计算

PDF
TL;DR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。
federated hyperdimensional computingre-fhdcdropout-inspired procedureresource-efficientpredictive performance
发现论文，激发创造
  • 联合高维计算

    本文提出了一种基于超维计算的联邦学习框架 FedHDC，通过与 DNN 不同的自监督对比学习功能提取器 FHDnn，实现了低通信成本、高鲁棒性且收敛速度比 DNN 快 3 倍的联邦学习算法，并成功降低了通信、计算和能源消耗，大大提高了通信效率。

    Dec, 2023

  • 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

  • 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

    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。

    Aug, 2022

  • 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

  • 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

  • EnHDC：基于集成学习的脑启发式高维计算

    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

  • 无线网络中视频缓存的资源感知分层联邦学习

    该研究提出一个新颖的资源感知分层联邦学习（RawHFL）解决方案，旨在通过局部存储用户频繁请求的热门内容来预测用户未来的内容需求，在考虑到延迟、能量和无线资源限制的情况下，通过优化客户端选择和局部轮次以及中央处理单元（CPU）频率的方式来实现能效最大化，模拟结果表明该方案在预测准确性和总能量消耗方面明显优于其他考虑的基准方案。

    Nov, 2023

  • 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

  • 无线视频缓存网络中的资源感知分层联邦学习

    通过在无线视频缓存网络中的不同级别上存储待请求内容，可以缓解因少数热门文件的视频流量导致的回传链路拥塞问题。为了预测用户未来的内容请求，我们提出了一种新颖的资源感知的分层联邦学习（RawHFL）解决方案，使用实践中的资源限制以高效地训练 RawHFL 能源。通过权重实用函数的最小化来联合配置可控参数，我们的算法在测试准确性和能量成本方面优于现有基线模型。

    Feb, 2024