hdlib 2.0：扩展向量-符号架构机器学习能力
机器学习
2026-01-07 v1
摘要
在首次发布 hdlib 的基础上，我们提出了一项重大扩展，显著提升了其机器学习能力。向量-符号架构（VSA），也称为高维计算（Hyperdimensional Computing），是一种表示和处理信息的计算范式，采用高维向量。虽然 hdlib 的第一个版本为创建和操作这些向量建立了稳健的基础，但本次更新解决了日益增长的在 VA 框架内进行更高级、数据驱动建模的需求。本文介绍了四项扩展：对现有监督分类模型进行显著增强，同时支持特征选择；引入新的回归模型用于预测连续变量；引入基于聚类的无监督学习模型；以及基于图的学习模型。此外，我们提出了首个实现量子高维计算（Quantum Hyperdimensional Computing）的方案，采用量子运算实现算术运算，并提出新的量子机器学习模型用于监督学习。hdlib 仍为开源项目，已发布于 GitHub 地址 https://github.com/cumbof/hdlib，采用 MIT 许可证，可通过 Python 包索引（pip install hdlib）和 Conda（conda install -c conda-forge hdlib）安装。文档和示例可在官方 Wiki https://github.com/cumbof/hdlib/wiki 查阅。
引用
@article{arxiv.2601.02509,
title = {hdlib 2.0: Extending Machine Learning Capabilities of Vector-Symbolic Architectures},
author = {Fabio Cumbo and Kabir Dhillon and Daniel Blankenberg},
journal= {arXiv preprint arXiv:2601.02509},
year = {2026}
}
备注
7 pages, 1 figure