SRMU: 用于流式高维记忆的相关性门控更新
人工智能
2026-04-17 v1
摘要
顺序关联记忆 (SAM) 在实际的流式环境中难以构建和维护，因为观测以递增方式到达，采样不平衡且随时间变化的动态性。向量符号架构 (VSA) 提供了一个受生物学启发的用于构建 SAM 的框架。实体和属性被编码为准正交的高维向量，并以明确定义的代数运算加以处理。尽管有着这丰富的框架，大多数 VSA 系统仍依赖简单的加法更新，即使没有引入新信息，重复观测也会强化现有信息。在非平稳环境中，这会导致在系统发生变化后仍然保留陈旧信息。在本工作中，我们引入了顺序相关性记忆单元 (SRMU)，这是一种针对 VSA-based SAM 的域无关且无需清理的更新规则。SRMU 结合了时间衰减与相关性门控机制。与仅依赖清理的先前方法不同，SRMU 通过在存储前过滤冗余、冲突和陈旧信息来调节记忆形成。我们在隔离非均匀采样和非平稳时间动态的流式状态跟踪任务上评估了 SRMU。我们的结果表明，SRMU 将记忆相似性提高 12.6%，将累积记忆幅度降低 53.5%。这表明 SRMU 能够产生更稳定的记忆增长，并更强地与真实状态保持一致。
引用
@article{arxiv.2604.15121,
title = {SRMU: Relevance-Gated Updates for Streaming Hyperdimensional Memories},
author = {Shay Snyder and Andrew Capodieci and David Gorsich and Maryam Parsa},
journal= {arXiv preprint arXiv:2604.15121},
year = {2026}
}