用于序列保相似超向量表示的递归绑定
人工智能
2022-05-18 v2
摘要
超维计算（HDC），亦称向量符号架构（VSA），是人工智能与认知计算中使用的计算框架，其以大规模固定维度的分布式向量表示进行运算。设计 HDC/VSA 方案的关键步骤是从输入数据获取此类表示。此处我们关注序列，并提出将其变换为分布式表示，既保留邻近位置上相同序列元素的相似性，又对序列平移具有等变性。这些性质通过利用递归绑定与叠加操作形成序列位置的表示而实现。所提变换在用于建模人类对词相似度感知的符号串上进行了实验研究。所得结果与文献中更复杂的方法相当。所提变换为称为 Fourier Holographic Reduced Representations 的 HDC/VSA 模型而设计，但可适配于其他一些 HDC/VSA 模型。
引用
@article{arxiv.2201.11691,
title = {Recursive Binding for Similarity-Preserving Hypervector Representations of Sequences},
author = {Dmitri A. Rachkovskij and Denis Kleyko},
journal= {arXiv preprint arXiv:2201.11691},
year = {2022}
}
备注
8 pages, 4, figures, 2 tables. arXiv admin note: some overlap with arXiv:2112.15475