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

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

本研究提出了基于超维计算的聚类算法，通过利用编码数据的相似性确定初始聚类超维，并通过实验证明相似性传播聚类算法在八个数据集上的聚类精度优于其他算法，提高了聚类算法的准确性。

Dec, 2023

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

HyperSum 是一种提取式摘要框架，能够结合传统词汇摘要的效率和现代神经网络方法的准确性，通过利用在极高维度 (“维度祝福”) 上对向量进行随机初始化时出现的伪正交现象来构建具有代表性和高效的句子嵌入。通过简单地聚类所获取的嵌入并提取它们的中心，可以得到有竞争力的摘要。HyperSum 在摘要的准确性和可信度方面往往优于最先进的摘要器，同时速度快 10 至 100 倍。我们将 HyperSum 开源作为无监督的提取式摘要的强基准。

May, 2024

生物信息学中的关键词为：算法、深度学习、超维计算、组学数据。本文总结并探索了超维计算在生物信息学中的潜力，强调了其效率、可解释性和处理多模态和结构化数据的能力。超维计算对于组学数据搜索、生物信号分析和健康应用具有巨大的潜力。

Feb, 2024

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

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

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