LogHD：基于对数类轴缩减的超维分类器鲁棒压缩

超维计算（HDC）适用于受限的内存、能源和可靠性系统，但标准的“每个类别一个原型”设计需要$O(CD)$内存（其中$C$为类别数，$D$为维度）。先前的压缩方法减小$D$（特征轴），改善存储和计算，但削弱了鲁棒性。我们提出LogHD，一种对数类轴缩减方法，用$n\approx\lceil\log_k C\rceil$个捆联矢量（字母表大小为$k$）取代$C$个类别原型，并在$n$维激活空间中解码，将内存压缩至$O(D\log_k C)$，同时保持$D$。LogHD采用容量感知的码表和基于轮廓的解码，能够与特征轴稀疏化相组合。在数据集和注入位翻转实验中，LogHD在较小模型的情况下实现了具竞争力的准确率，并在相同内存下展现出更高的韧性。在相同内存下，LogHD可在约$2.5$-$3.0\times$更高的位翻转率下维持目标准确率；ASIC实现相较于AMD Ryzen 9 9950X实现$498\times$的能源效率和$62.6\times$的加速，相较于NVIDIA RTX 4090实现$24.3\times$/$6.58\times$，比特征轴HDC ASIC基线实现$4.06\times$的能源效率和$2.19\times$的加速。