論文の概要: EnHDC: Ensemble Learning for Brain-Inspired Hyperdimensional Computing
- arxiv url: http://arxiv.org/abs/2203.13542v1
- Date: Fri, 25 Mar 2022 09:54:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 20:57:15.202386
- Title: EnHDC: Ensemble Learning for Brain-Inspired Hyperdimensional Computing
- Title（参考訳）: EnHDC:脳にインスパイアされた超次元コンピューティングのためのアンサンブル学習
- Authors: Ruixuan Wang, Dongning Ma, Xun Jiao
- Abstract要約: 本稿では,超次元コンピューティングの文脈において,アンサンブル学習を探求する最初の試みについて述べる。
本稿では,EnHDCと呼ばれる最初のアンサンブルHDCモデルを提案する。
本研究では,1つのHDC分類器に対して平均3.2%の精度向上を達成できることを示す。
- 参考スコア（独自算出の注目度）: 2.7462881838152913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensemble learning is a classical learning method utilizing a group of weak
learners to form a strong learner, which aims to increase the accuracy of the
model. Recently, brain-inspired hyperdimensional computing (HDC) becomes an
emerging computational paradigm that has achieved success in various domains
such as human activity recognition, voice recognition, and bio-medical signal
classification. HDC mimics the brain cognition and leverages high-dimensional
vectors (e.g., 10000 dimensions) with fully distributed holographic
representation and (pseudo-)randomness. This paper presents the first effort in
exploring ensemble learning in the context of HDC and proposes the first
ensemble HDC model referred to as EnHDC. EnHDC uses a majority voting-based
mechanism to synergistically integrate the prediction outcomes of multiple base
HDC classifiers. To enhance the diversity of base classifiers, we vary the
encoding mechanisms, dimensions, and data width settings among base
classifiers. By applying EnHDC on a wide range of applications, results show
that the EnHDC can achieve on average 3.2\% accuracy improvement over a single
HDC classifier. Further, we show that EnHDC with reduced dimensionality, e.g.,
1000 dimensions, can achieve similar or even surpass the accuracy of baseline
HDC with higher dimensionality, e.g., 10000 dimensions. This leads to a 20\%
reduction of storage requirement of HDC model, which is key to enabling HDC on
low-power computing platforms.
- Abstract（参考訳）: アンサンブル学習は、弱い学習者のグループを利用して強い学習者を形成する古典的な学習方法であり、モデルの正確性を高めることを目的としている。
近年,脳にインスパイアされた超次元コンピューティング(HDC)は,人間の活動認識や音声認識,生体医療信号の分類など,様々な領域で成功を収めている。
HDCは脳の認知を模倣し、高次元ベクトル(例えば10000次元)を活用し、完全なホログラフィック表現と(擬似)ランダム性を持つ。
本稿では,HDCの文脈におけるアンサンブル学習への最初の取り組みと,EnHDCと呼ばれる最初のアンサンブルHDCモデルを提案する。
EnHDCは多数決に基づく機構を使用して、複数の基本HDC分類器の予測結果を相乗的に統合する。
ベース分類器の多様性を高めるため,ベース分類器間の符号化機構,寸法,データ幅設定を異にする。
広範囲のアプリケーションにEnHDCを適用することで、1つのHDC分類器に対して平均3.2\%の精度でEnHDCが達成できることを示す。
さらに,1000次元など次元が縮小されたenhdcは,高次元のベースラインhdc(例えば10000次元)の精度に匹敵する,あるいは超越することができることを示した。
これにより、低消費電力コンピューティングプラットフォーム上でHDCを実現する上で鍵となるHDCモデルのストレージ要求が20倍削減される。
関連論文リスト
- HEAL: Brain-inspired Hyperdimensional Efficient Active Learning [13.648600396116539]
本稿では,HDC分類に適した新しい能動学習フレームワークであるHyperdimensional Efficient Active Learning (HEAL)を紹介する。
HEALは、不確実性と多様性に基づく買収を通じて、ラベルなしのデータポイントを積極的に注釈付けし、より効率的なデータセットアノテーションと労働コストの削減につながる。
評価の結果,HEALは多種多様なAL品質のベースラインを超越し,多くのBNNや多様性誘導AL手法よりも顕著に高速な獲得を実現していることがわかった。
論文 参考訳（メタデータ） (2024-02-17T08:41:37Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - Dynamic Conceptional Contrastive Learning for Generalized Category
Discovery [76.82327473338734]
Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。
ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。
GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。
本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-30T14:04:39Z) - Efficient Hyperdimensional Computing [4.8915861089531205]
我々は,2次元超ベクトルを用いたHDCモデルを,最先端HDCモデルよりも桁違いに低次元で開発する。
例えば、MNISTデータセットでは、次元が64の画像分類において91.12%のHDC精度を達成する。
論文 参考訳（メタデータ） (2023-01-26T02:22:46Z) - An Extension to Basis-Hypervectors for Learning from Circular Data in
Hyperdimensional Computing [62.997667081978825]
超次元計算(Hyperdimensional Computing、HDC)は、高次元ランダム空間の性質に基づく計算フレームワークである。
本稿では, 基本超ベクトル集合について検討し, 一般にHDCへの実践的貢献につながっている。
本稿では,HDCを用いた機械学習において,これまでに扱ったことのない重要な情報である円形データから学習する手法を提案する。
論文 参考訳（メタデータ） (2022-05-16T18:04:55Z) - GraphHD: Efficient graph classification using hyperdimensional computing [58.720142291102135]
本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。
実世界のグラフ分類問題におけるGraphHDの評価を行った。
その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
論文 参考訳（メタデータ） (2022-05-16T17:32:58Z) - LeHDC: Learning-Based Hyperdimensional Computing Classifier [14.641707790969914]
モデル精度を向上させるために,原理的学習手法を活用した新しいHDCフレームワークLeHDCを提案する。
実験による検証によると、LeHDCは従来のHDCトレーニング戦略より優れており、平均推定精度が15%以上向上している。
論文 参考訳（メタデータ） (2022-03-18T01:13:58Z) - A Brain-Inspired Low-Dimensional Computing Classifier for Inference on
Tiny Devices [17.976792694929063]
超次元コンピューティング(HDC)に代わる低次元コンピューティング(LDC)を提案する。
我々は、LCC分類器をニューラルネットワークにマッピングし、原則化されたトレーニングアプローチを用いてモデルを最適化する。
我々のLCC分類器は、既存の脳にインスパイアされたHDCモデルに対して圧倒的な優位性を提供し、特に小さなデバイスでの推論に適している。
論文 参考訳（メタデータ） (2022-03-09T17:20:12Z) - Understanding Hyperdimensional Computing for Parallel Single-Pass
Learning [47.82940409267635]
我々はHDCがハードウェア効率を保ちながら、最先端のHDCモデルよりも最大7.6%性能が高いことを示す。
本稿では,HDC の限界を超える新しいクラス VSA,有限群 VSA を提案する。
実験の結果, RFF法とグループVSAはともに最先端HDCモデルより最大7.6%優れていた。
論文 参考訳（メタデータ） (2022-02-10T02:38:56Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - HDXplore: Automated Blackbox Testing of Brain-Inspired Hyperdimensional
Computing [2.3549478726261883]
HDCは、実際の数値ではなく、神経活動の深い抽象的なパターンで計算する脳の動作メカニズムに基づく、新たなコンピューティングスキームである。
DNNのような従来のMLアルゴリズムと比較して、HDCはメモリ中心であり、モデルサイズが比較的小さく、コストが低く、ワンショット学習などの利点がある。
我々は,HDCモデルの予期せぬ動作や誤動作を明らかにするブラックボックス差分テストベースのフレームワークであるHDXploreを開発した。
論文 参考訳（メタデータ） (2021-05-26T18:08:52Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。