分数定律编码的改进清理与解码方法

高维向量被提出作为神经方法，用于使用向量符号代数（VSA）在大脑中表示信息。虽然已有工作探索了在计算过程中产生的噪声下对这些向量进行解码和清理，但现有方法受限。清理方法对于 VSA 中的稳健计算至关重要。然而，针对连续值编码的清理方法并不如人之有效。本文提出一种迭代优化方法，用于解码和清理编码连续值的 Fourier Holographic Reduced Representation（FHRR）向量。我们将复合似然估计（CLE）和最大似然估计（MLE）相结合，以确保收敛于全局最优解。我们还展示了该方法能在不同噪声条件下有效解码 FHRR 向量，并表明其优于现有方法。