一种 Walsh Hadamard 导出的线性向量符号架构

向量符号架构（VSA）是发展神经符号人工智能的一种方法，其中 $\mathbb{R}^d$ 中的两个向量被“绑定”在一起，以在同一空间中产生一个新向量。VSA 支持这种绑定操作的交换律和结合律，以及一个逆操作，允许人们对实值向量进行符号式的操作。大多数 VSA 是在深度学习和自动微分流行之前开发的，它们更侧重于在手工设计系统中的效能。在这项工作中，我们引入了 Hadamard 导出的线性绑定（HLB），其设计旨在具有优越的计算效率、在经典 VSA 任务中的效能，并在可微系统中表现良好。代码可在 https://github.com/FutureComputing4AI/Hadamard-derived-Linear-Binding 获取。