面向超维计算中环形数据学习的基础超向量扩展
机器学习
2022-05-18 v1 信息论
math.IT
摘要
超维计算（HDC）是一种基于高维随机空间特性的计算框架。它对于资源受限环境（如嵌入式系统和物联网）中的机器学习特别有用，因为它在准确性、效率和鲁棒性之间取得了良好的平衡。将信息映射到超空间的过程称为编码，这是 HDC 中最重要的阶段。其核心是基础超向量，负责表示有意义信息的最小单元。在这项工作中，我们对基础超向量集进行了详细研究，从而为 HDC 带来了总体上的实际贡献：1）我们提出了一种用于编码实数的级超向量的改进方法；2）我们引入了一种从环形数据中学习的方法，环形数据是机器学习 HDC 中此前从未涉及的一类重要信息。实验结果表明，这些贡献使得针对环形数据的分类和回归模型在准确性上均有显著提升。
引用
@article{arxiv.2205.07920,
title = {An Extension to Basis-Hypervectors for Learning from Circular Data in Hyperdimensional Computing},
author = {Igor Nunes and Mike Heddes and Tony Givargis and Alexandru Nicolau},
journal= {arXiv preprint arXiv:2205.07920},
year = {2022}
}