用于分解数据结构分布式表示的谐振器网络

以分布式神经表示来编码和操作数据结构的能力，可通过支持基于规则的符号推理（认知的核心属性）来定性增强传统神经网络的能力。在此我们展示如何可在向量符号架构（VSA）（Plate, 1991; Gayler, 1998; Kanerva, 1996）框架内实现这一点， whereby 数据结构通过组合高维向量与若干操作进行编码，这些操作共同构成分布式表示空间上的代数。特别地，我们针对解码VSA数据结构元素时出现的困难组合搜索问题——多个码向量乘积的因式分解——提出了一种高效解法。我们提出的算法称为谐振器网络，是一种新型循环神经网络，其交错执行VSA乘法操作与模式补全。我们通过两个示例——类树数据结构的解析与视觉场景的解析——展示因式分解问题如何产生以及谐振器网络如何解决它。更广泛地，谐振器网络为将VSA应用于现实领域中的无数人工智能问题开辟了可能。一篇配套论文（Kent et al., 2020）对谐振器网络的性能进行了严格分析与评估，显示其优于替代方法。