Apr, 2024

H3DFact：异构三维集成 CIM 用于具备全息感知特征的分解

PDF
TL;DRH3DFact is presented as a high-dimensional holographic vector-based engine that efficiently factors sensory signals, demonstrating superior accuracy, operational capacity, compute density, energy efficiency, and silicon footprint compared to 2D designs.
发现论文，激发创造
  • 超维量子因式分解

    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

  • 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

  • 组合分层张量分解：表示层次内在和外在因果因素

    本文提出了一种统一的张量模型，引入了一种组合式分层张量分解方法，解开了物体图像形成的层级因果结构，减少了训练数据需求，使物体识别在遮挡条件下更加可靠，在人脸识别领域得到了广泛的应用。

    Nov, 2019

  • 广义全息简化表示

    通过引入 Generalized Holographic Reduced Representations (GHRR)，本文探讨了基于 Hyperdimensional Computing (HDC) 的深度学习方法，通过在保留连接主义方法的灵活性的同时，允许显式规定符号方法中的表征结构，从而提高了编码复杂数据结构的能力。

    May, 2024

  • 超维度计算：生物数据的快速、稳健和可解释范式

    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

  • 利用动态因式分解将人类提供的信息整合到信念状态表示中

    该篇论文介绍了一个关于机器人在部分观察环境下进行可靠的推理与规划的有效方法，通过提供现实世界中物体属性的概率信息，并采取正确的策略，实现基于内部状态的自我学习，并验证了该方法在两个开放领域的规划问题中的有效性。

    Feb, 2018

  • 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

  • H-Fac: 记忆高效优化与分解哈密顿下降

    本研究提出了一种新的自适应优化器 H-Fac，该优化器采用了动量和缩放参数的分解方法。通过使用秩 1 参数化的矩估计器，我们的算法在 ResNets 和 Vision Transformers 上展现出竞争性能，并且通过达到亚线性内存成本。我们的算法基于哈密顿动力学导出的原理进行开发，具有坚实的理论基础。这些优化算法旨在简单且适应性强，便于在各种环境中轻松实施。

    Jun, 2024

  • 资源高效的联邦高维计算

    提出了一种资源高效的联邦超高维计算（RE-FHDC）框架，通过训练多个较小的独立 HDC 子模型并使用所提出的 dropout-inspired 程序来精炼串联的 HDC 模型，实现与基线联邦 HDC 实现相比消耗较少计算和无线电资源的可比或更高的预测性能。

    Jun, 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