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

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

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

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

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

我们提出了一种创新的图像哈希方法 NeuroHash，它利用高维计算将空间信息符号编码为高维向量，从而实现空间感知有条件的图像检索。我们的方法将预训练的大型视觉模型与 HDC 操作相结合，实现了空间编码的特征表示。基于局部敏感哈希（LSH）的哈希技术确保了快速高效的图像检索，评估结果显示了图像哈希方法的新进展，提高了检索准确性。

Apr, 2024

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

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

HyperSeg 是一种基于超维计算（HDC）的无监督对话主题分割方法，它通过在非常高的维度上随机选择向量的概率正交性来生成丰富的词元表示，从而在话题分割和下游的摘要任务中取得了显著的性能提升，同时具备更快的速度。

Aug, 2023