本研究提出了一种基于超维计算和向量符号架构的模型,该模型使用分布式表示对大型固定维度的数据进行一系列操作,其中包括将序列转换为分布式表示,同时保留相同序列元素和序列位移的相似性,并采用递归绑定和叠加操作形成序列位置的表示。该模型名为傅里叶全息约减表示,但可适用于其他超维计算和向量符号架构模型。
Jan, 2022
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
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
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
本文提出了一种量子算法,用于有效地解码超向量,这是从超向量中提取原子元素的关键过程,是可解释学习和信息检索中超维计算(HDC)模型的重要任务。我们通过利用 HDC 和量子计算之间的相似之处,并利用量子算法的加速能力,提出了 HDQF,一种创新的量子计算方法,以解决超维素分解容量问题,实现了二次加速。
Jun, 2024
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。
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
本文研究了二进制高维计算(HDC)的几何问题,发现了由 HDC 绑定运算符引起的相似性结构,并展示了拉普拉斯核在该设置中的应用,激励我们提出了新的编码方法 Laplace-HDC,改进了先前的方法。我们描述了这些结果如何表明二进制 HDC 在对图像的空间信息编码方面存在局限性,并讨论了潜在的解决方案,包括使用 Haar 卷积特征和定义平移等变 HDC 编码。文中还呈现了几组数值实验,突出了 Laplace-HDC 与其他方法相比的改进精确性。我们还对所提出的框架的其他方面进行了数值研究,如鲁棒性和基本的平移等变编码。
Apr, 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