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

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

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

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。

Apr, 2023

本文介绍了利用低功耗嵌入式硬件的超高维可重构分析系统 (HyDRATE)，该系统利用无 MAC (无浮点数乘积累加操作) 深度神经网络 (DNN) 和超维 (超高维) 计算加速器在边缘执行实时重新配置。通过展示该算法、训练好的量化模型生成和特征提取来实现超高纬度基于逻辑的分类器，并展示了性能随超维数增加而提高的情况。本文介绍了实现的低功耗 FPGA 硬件和嵌入式软件系统，和实现的硬件加速器，以及系统延迟和功耗噪声稳健性等方面的讨论。通过视频活动分类任务的实际与模拟系统性能比较，展示了在相同数据集上的重新配置。使用边缘的少量学习新课程，使用无梯度下降反向传播仅通过重新训练前馈超高维分类器实现该系统的重构性。

Jun, 2022

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

本研究提出了一种基于超维强化学习模型 QHD 的解决方案，该模型可以通过降低存储空间和批处理大小实现即时学习，该模型也支持小的经验重放批处理大小，提供 12.3 倍的加速效果，并且可以在边缘环境中进行高效的强化学习。QHD 的速度是与现有的深度强化学习算法相比提高了 34.6 倍，而学习效果更好。

May, 2022

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

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