- 事件驱动光流的向量符号架构
基于高维特征描述符的事件帧光流估计方法,在特征匹配方法论中取得了显著进展。
- VSA4VQA: 将矢量符号体系扩展到自然图像的视觉问答中
提出了一种名为 VSA4VQA 的新型 VSAs 的实施,它是第一个将 VSA 扩展到复杂空间查询的模型,并通过引入学习的空间查询掩模和预训练的视觉 - 语言模型来解决视觉问题回答任务,评估结果表明它能够有效地编码自然图像,并取得与最先进的 - 分布式表示在神经形态硬件上实现鲁棒多时间尺度计算
使用高维随机向量作为最小表示单元的矢量符号结构(VSAs)嵌入鲁棒的多时间尺度动力学到基于吸引子的 RSNNs,通过叠加对称的自联想权重矩阵和非对称的状态转换项来嵌入有限状态机进入 RSNNs 动力学,通过模拟高度非理想的权重、实验性的闭环 - 基于自注意力的矢量符号结构的语义分解
基于自注意力的更新规则和 Hopfield 网络的 log-sum-exp 能量函数及范数限制状态的新变体共振器网络被引入,可显著提高性能和收敛速度,使得算法具有更大的关联记忆能力,可应用于感知基模式识别、场景分解和物体推理等多个任务。
- 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。
- 张量积和超维计算
在图嵌入的基础上,将一些结果推广到向量符号体系和超维计算的普遍设置中,正式建立张量积表示作为中心表示,并探讨了叠加、正交和张量积之间的数学关系。
- ECCV基于向量符号架构的非配对图像转换
使用矢量符号结构(VSA)作为理论框架,将 VSA 约束应用于对抗学习,通过学习矢量映射来反转翻译,以确保与源内容的一致性,从而提高了图像翻译的效果。
- 用共振器网络进行神经形态视觉场景理解
提出了一种基于神经形态学的解决方案,使用基于向量符号体系结构的高效因式分解网络,实现物体位置和其刚性变换的推断。
- 序列相似性保留超向量表示的递归绑定
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 - 超高维计算综述,又称矢量符号架构,第二部分:应用、认知模型和挑战
本文是第二部分的综述,介绍了高维计算框架 HDC / VSA 的应用、在认知计算和体系结构中的作用,以及未来工作方向;HDC / VSA 由高维分布式表示组成,并依靠其关键操作的代数属性来结合结构化符号表示和向量分布式表示的优点。
- 超高维计算调查:向量符号结构,第一部分:模型与数据转换
这份综述研究了高维计算和向量象征体系结构 (HDC / VSA) 的计算框架,并提供了对已知计算模型和将各种输入数据类型转换为高维分布表示的重要方面的概述。
- 稀疏分布式表示的变量绑定:理论与应用
本文探讨了 Vector Symbolic Architectures 中稀疏分布式表示下的符号推导,通过实验证明了基于块编码进行变量绑定的方法具有良好的性质,并在认知推理和分类等实际应用中展示了它的价值。
- 向量符号架构的比较
本文提出了 11 种可用的 VSA 实现,并讨论了它们在底层向量空间和操作符方面的相似性和差异性,并通过实验比较了它们的容量、非精确解绑操作的逼近质量、混合捆绑和绑定操作对查询响应性能的影响以及在两个示例应用程序中的性能。
- 递归神经网络中的序列索引和工作记忆理论
本文提出了一类用于索引和存储符号序列或模拟数据向量的递归神经网络,利用储池计算的性质,采用随机输入权重和正交递归权重实现之前在向量符号体系结构(VSA)中描述的编码原理,并提出了优化语音缓存网络,使其能够在处理数据流时在线工作的新型 VSA