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

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

H3DFact 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.

Apr, 2024

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

使用优化算法和 Sobol 序列生成高质量超向量，改进了超维计算中的数据编码和性能，提高语言和标题分类的准确性并降低能量消耗。

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

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

本研究提出了一种基于超维计算和向量符号架构的模型，该模型使用分布式表示对大型固定维度的数据进行一系列操作，其中包括将序列转换为分布式表示，同时保留相同序列元素和序列位移的相似性，并采用递归绑定和叠加操作形成序列位置的表示。该模型名为傅里叶全息约减表示，但可适用于其他超维计算和向量符号架构模型。

Jan, 2022

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