.png){kind=icon}
返回
Optimal hyperdimensional representation for learning and cognitive computation
.png){kind=icon}
OA
AI
DOI：10.3389/frai.2026.1690492.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超维计算（HDC）是一种受神经启发的计算范式，它利用轻量级、高维操作来模拟关键脑功能。超维计算（HDC）的最新进展主要针对两个领域：学习，其目标是提取和泛化分类等任务的模式；认知计算，其需要为类人推理提供准确的信息检索。尽管最先进的HDC方法在这两个领域都取得了强性能，但它们缺乏对学习与认知所强加的根本不同要求的原理性理解。特别是，现有工作对设计能够为这些不同任务生成最优超维表示的编码方法提供了有限的指导。在本研究中，我们提出了第一种通用的超维编码方法，该方法能动态适应学习和认知计算的需求。我们的方法基于神经符号技术，为原子基（如字母定义）分配随机复数超向量，然后在超维空间中应用代数运算来控制编码数据点之间的相关性结构。通过理论分析，我们表明学习任务受益于相关性表示以最大化记忆和泛化能力；而认知任务需要正交、高可分离的表示以实现准确解码和推理。我们进一步推导出一个分离度度量，量化了这一权衡，并在图像分类和解码任务中经验性地验证了它。我们的结果证明，调整编码器以增加相关性可将分类准确率从65%提高到95%；而最大化分离度可将解码准确率从85%提高到100%。这些发现提供了第一种系统框架，用于设计超维编码器，在单一的、理论支撑的表示模型下统一学习和认知。
Keyword:
brain-inspired learning
cognitive computation
high-dimensional representation
hyperdimensional computing (HDC)
neural-symbolic encoding
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
F
IF:
4.7
论文数:
2.4K
被引数:
4.4K
机构
引用论文
Towards a unified analysis of random fourier features. J. Mach. Learn. Res. 22, 1–51随机傅里叶特征统一的综合分析。J. Mach. Learn. Res. 22, 1–51.png)
IF0
PREAI
分享收藏HyDra: SOT-CAM Based Vector Symbolic Macro for Hyperdimensional Computing水螅：基于sot-cam的向量符号宏，用于高维计算。arXiv预印本 arXiv:2504.14020
PREAI
分享收藏
Hyperdimensional Computing: An Introduction to Computing in Distributed Representation with High-Dimensional Random Vectors超维计算: 高维随机向量分布式表示计算简介
PREAI
分享收藏分享收藏
查看更多内容