Aug, 2023

从超向量中学习：超向量编码综述

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • HDCC：一款用于嵌入式系统和高性能计算的超维计算编译器

    该研究介绍了一个名为” ame {}” 的编译器工具，可以将高维超向量分类方法的高级描述翻译为优化的 C 代码，为嵌入式系统和高性能计算提供了最大性能和最小内存使用的支持；试验表明，使用该编译器工具的训练和推断速度提高了大约 25 倍至 132 倍，内存使用减少了 5 倍至 158 倍，这对研究和应用探索超维计算在分类任务中的应用具有重要价值。

    Apr, 2023

  • 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

  • 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

  • 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

  • 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