超维计算亦即向量符号架构综述，第二部分：应用、认知模型与挑战
人工智能
2023-08-02 v3
摘要
这是关于最常以超维计算与向量符号架构（HDC/VSA）之名闻名的计算框架的两部分综合综述的第二部分。两个名称均指一类使用高维分布式表示并依赖其关键运算的代数性质以结合结构化符号表示与向量分布式表示优势的计算模型。全息缩减表示是机器学习领域知名且有影响力的 HDC/VSA 模型，常被用来指代整个家族。但为一致性起见，我们使用 HDC/VSA 指称该领域。本综述第一部分涵盖了该领域的基础方面，如导致 HDC/VSA 发展的历史背景、任何 HDC/VSA 模型的关键要素、已知 HDC/VSA 模型，以及将各类输入数据转换为适用于 HDC/VSA 的高维向量之过程。本第二部分综述现有应用、HDC/VSA 在认知计算与架构中的作用，以及未来工作方向。多数应用位于机器学习/人工智能领域，但我们也涵盖其他应用以提供完整图景。本综述写作兼顾新手与从业者之需。
引用
@article{arxiv.2112.15424,
title = {A Survey on Hyperdimensional Computing aka Vector Symbolic Architectures, Part II: Applications, Cognitive Models, and Challenges},
author = {Denis Kleyko and Dmitri A. Rachkovskij and Evgeny Osipov and Abbas Rahimi},
journal= {arXiv preprint arXiv:2112.15424},
year = {2023}
}
备注
37 pages