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
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
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
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
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
本研究提出了一种新的动态编码技术 DistHD，可有效发现和重构误导分类和影响学习质量的维度，从而加速学习过程，并以较低的维度达到所需的准确性。
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。
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
近年来，硅光子学计算作为深度神经网络（DNN）的一种有希望的替代方案崭露头角。本文提出了 PhotoHDC，这是第一个用于 HDC 训练和推断的电光子加速器，支持基本的、记录的和图形编码方案，并通过评估常见数据集显示，我们的加速器在实现 HDC 训练和推断方面可以达到比最先进的电光子 DNN 加速器低两到五个数量级的能量延时积，而且还比基于 CiM 的加速器低四个数量级的能量延时积。
Nov, 2023