Feb, 2024

超维度计算：生物数据的快速、稳健和可解释范式

PDF
TL;DR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。
bioinformaticsalgorithmsdeep learninghyperdimensional computingomics data
发现论文，激发创造
  • 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

  • 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

  • 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

  • 可扩展高效的高维计算网络入侵检测

    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

  • 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

  • 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

  • 具有类脑神经适应性的稳健可扩展的高维计算

    通过动态 HDC 学习框架识别和再生不需要的维度，以提供足够的准确性，并大幅降低维度，从而加速训练和推理。

    Nov, 2023

  • 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

  • 从超向量中学习：超向量编码综述

    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

  • 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