- 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 - LARS-VSA：用于学习抽象规则的矢量符号架构
人类认知在符号推理方面表现出色，从有限样本中推导出抽象规则。本文通过结合符号和连接主义方法，提出了一种神经符号化结构；同时，在学习有限数据量时，采用了将对象级特征与抽象规则分离的 “关系瓶颈” 策略。此外，本文借助于鲁棒性更强的高维计算方法 - 空间感知图像检索：一种用于高效相似哈希的超维度计算方法
我们提出了一种创新的图像哈希方法 NeuroHash，它利用高维计算将空间信息符号编码为高维向量，从而实现空间感知有条件的图像检索。我们的方法将预训练的大型视觉模型与 HDC 操作相结合，实现了空间编码的特征表示。基于局部敏感哈希（LSH） - 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 - 使用嵌入式设备上的超维度计算增强皮肤透醇水平检测
酒精消耗对个人健康有重大影响，过度饮酒时后果更为显著。实施及时干预的健康饮酒习惯是一种促进方法，通过在大量饮酒时发送提示醉酒的及时通知。本研究旨在使用超维计算技术设计一种适用于智能手机、智能可穿戴设备和物联网部署的即时干预方法，通过研究不同 - 基于高维度图分类的分子分类
我们的研究引入了一种创新的基于超维计算的图学习方法，与图神经网络和 Weisfieler-Lehman 图核心相比，在癌细胞识别等应用领域取得了可比拟的结果，并且在训练和推断阶段实现了显著的加速和资源效率的提升。
- HDReason: 超维知识图推理的算法硬件协同设计
使用基于大脑启发的高维计算方法，本研究提出了一种高效且适合加速的知识图谱补全算法，并针对 FPGA 平台进行了一种加速框架的算法 - 硬件共同设计。与 NVIDIA RTX 4090 GPU 相比，该加速器平均实现了 10.6 倍的加速和 - 超维度计算在边缘智能中的终身应用
设计和部署了首个适用于有限监督的 IoT 应用的设备上终身学习系统 LifeHD，基于 Hyperdimensional Computing (HDC) 的轻量级学习模式，在离线边缘平台上实现，通过智能存储和管理高维、低精度矢量来提高非监督 - 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。
- HEAL: 脑启发的高维效能主动学习
通过引入超维度高效主动学习（HEAL）框架，本文针对 HDC 分类提出了一种通过不确定性和多样性引导采集的主动学习方法，从而提高数据的有效性和降低劳动成本。HEAL 与现有 HDC 分类器架构轻松集成，通过先验超向量实现 HDC 分类器中的 - 零样本分类基于超维度计算
基于超维计算的零样本分类器（HDC-ZSC）是一种简单的端到端可训练模型，通过使用符号化分布表示的稳定二进制码本，在属性编码器内紧凑地表示以解决零样本学习（ZSL）中的零样本分类任务，实现在 CUB-200 数据集上 63.8% 的准确率， - 联合高维计算
本文提出了一种基于超维计算的联邦学习框架 FedHDC，通过与 DNN 不同的自监督对比学习功能提取器 FHDnn，实现了低通信成本、高鲁棒性且收敛速度比 DNN 快 3 倍的联邦学习算法，并成功降低了通信、计算和能源消耗，大大提高了通信效 - 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。
- 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 - 朝向高效的光子超维计算
近年来，硅光子学计算作为深度神经网络（DNN）的一种有希望的替代方案崭露头角。本文提出了 PhotoHDC，这是第一个用于 HDC 训练和推断的电光子加速器，支持基本的、记录的和图形编码方案，并通过评估常见数据集显示，我们的加速器在实现 H - 硬件高效向量符号架构的 Sobol 序列优化
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。
- 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。
- 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。
- 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。
- 基于超维空间的无监督对话主题切分
HyperSeg 是一种基于超维计算（HDC）的无监督对话主题分割方法，它通过在非常高的维度上随机选择向量的概率正交性来生成丰富的词元表示，从而在话题分割和下游的摘要任务中取得了显著的性能提升，同时具备更快的速度。