Fugu-MT 論文翻訳(概要): A Theoretical Perspective on Hyperdimensional Computing

論文の概要: A Theoretical Perspective on Hyperdimensional Computing

arxiv url: http://arxiv.org/abs/2010.07426v3
Date: Thu, 17 Feb 2022 23:29:29 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 14:05:38.143408
Title: A Theoretical Perspective on Hyperdimensional Computing
Title（参考訳）: 超次元計算の理論的展望
Authors: Anthony Thomas, Sanjoy Dasgupta, Tajana Rosing
Abstract要約: 超次元(HD)コンピューティングは、高次元、低精度、分散されたデータの表現を得るために、ニューラルネットワークにインスパイアされた一連の手法である。 HDコンピューティングは最近、学習問題を解決するためのエネルギー効率、低レイテンシ、ノイズローバストツールとして、コンピュータハードウェアコミュニティから大きな関心を集めている。
参考スコア（独自算出の注目度）: 17.50442191930551
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Hyperdimensional (HD) computing is a set of neurally inspired methods for obtaining high-dimensional, low-precision, distributed representations of data. These representations can be combined with simple, neurally plausible algorithms to effect a variety of information processing tasks. HD computing has recently garnered significant interest from the computer hardware community as an energy-efficient, low-latency, and noise-robust tool for solving learning problems. In this review, we present a unified treatment of the theoretical foundations of HD computing with a focus on the suitability of representations for learning.
Abstract（参考訳）: 超次元(hyperdimensional, hd)コンピューティングは、高次元、低精度、分散したデータの表現を得るための、神経にインスパイアされた一連の方法である。これらの表現は、様々な情報処理タスクに影響を及ぼす、単純で神経学的に妥当なアルゴリズムと組み合わせることができる。 HDコンピューティングは最近、学習問題を解決するためのエネルギー効率、低レイテンシ、ノイズローバストツールとして、コンピュータハードウェアコミュニティから大きな関心を集めている。本稿では,HDコンピューティングの理論的基礎を統一的に扱うとともに,学習における表現の適合性に焦点をあてる。

関連論文リスト

Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
The Hyperdimensional Transform for Distributional Modelling, Regression and Classification [12.693238093510072]
我々は、超次元変換のパワーを、幅広いデータサイエンスのオーディエンスに提示する。既存のアルゴリズムがどのように修正され、この変換がいかにして、新しくよく構築されたツールボックスにつながるかを示す。
論文参考訳（メタデータ） (2023-11-14T13:26:49Z)
Robust and Scalable Hyperdimensional Computing With Brain-Like Neural Adaptations [17.052624039805856]
Internet of Things(IoT)は、エッジベースの機械学習(ML)メソッドを使用して、ローカルに収集されたデータを分析する多くのアプリケーションを容易にした。脳にインスパイアされた超次元コンピューティング(HDC)がこの問題に対処するために導入された。既存のHDCは静的エンコーダを使用しており、正確な精度を達成するために非常に高次元と数百のトレーニングイテレーションを必要とする。本研究では,非所望次元を特定し再生する動的HDC学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-11-13T19:42:33Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Rotating Features for Object Discovery [74.1465486264609]
本稿では,複雑な特徴を高次元に一般化した回転特徴と,分散表現からオブジェクトを抽出する新たな評価手法を提案する。これらの進歩により、分散オブジェクト中心の表現を単純な玩具から現実世界のデータに拡張することが可能になります。
論文参考訳（メタデータ） (2023-06-01T12:16:26Z)
Streaming Encoding Algorithms for Scalable Hyperdimensional Computing [12.829102171258882]
超次元コンピューティング(Hyperdimensional Computing、HDC)は、計算神経科学を起源とするデータ表現と学習のパラダイムである。そこで本研究では,ハッシュに基づくストリーミング符号化手法のファミリについて検討する。我々は,これらの手法が既存の代替手段よりもはるかに効率的でありながら,学習アプリケーションの性能に匹敵する保証を享受できることを正式に示す。
論文参考訳（メタデータ） (2022-09-20T17:25:14Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
Neuromorphic scaling advantages for energy-efficient random walk computation [0.28144129864580447]
ニューロモルフィックコンピューティングは、人間のハードウェアで脳の計算構造とアーキテクチャを再現することを目的としている。スパイキングニューロモルフィックアーキテクチャの高次並列性と構成性は、離散時間チェーンを介してランダムウォークを実装するのに適していることを示す。 NMCプラットフォームは十分な規模で,高性能コンピューティングプラットフォームのエネルギー需要を大幅に削減できることがわかった。
論文参考訳（メタデータ） (2021-07-27T19:44:33Z)
Tensor Methods in Computer Vision and Deep Learning [120.3881619902096]
テンソル(tensor)は、複数の次元の視覚データを自然に表現できるデータ構造である。コンピュータビジョンにおけるディープラーニングパラダイムシフトの出現により、テンソルはさらに基本的なものになっている。本稿では,表現学習と深層学習の文脈において,テンソルとテンソル法を深く,実践的に検討する。
論文参考訳（メタデータ） (2021-07-07T18:42:45Z)
Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。スパイキングニューラルネットワークのハードウェア実装の現状について述べる。本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文参考訳（メタデータ） (2020-05-04T13:24:00Z)
Classification using Hyperdimensional Computing: A Review [16.329917143918028]
本稿では,HDコンピューティングの背景について紹介し,データ表現,データ変換,類似度測定について概説する。評価の結果、HDコンピューティングは文字、信号、画像の形でのデータを用いて問題に対処する上で大きな可能性を示唆している。
論文参考訳（メタデータ） (2020-04-19T23:51:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。