Apr, 2024

Laplace-HDC：理解二进制高维度计算的几何

PDF
TL;DR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。
binary hyperdimensional computinglaplace-hdcspatial informationhaar convolutional featurestranslation-equivariant hdc encoding
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 利用超维度计算的鲁棒聚类

    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

  • 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

  • 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

  • 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

  • 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