Fugu-MT 論文翻訳(概要): DistHD: A Learner-Aware Dynamic Encoding Method for Hyperdimensional Classification

論文の概要: DistHD: A Learner-Aware Dynamic Encoding Method for Hyperdimensional Classification

arxiv url: http://arxiv.org/abs/2304.05503v1
Date: Tue, 11 Apr 2023 21:18:52 GMT
ステータス: 処理完了
システム内更新日: 2023-04-13 16:45:11.685453
Title: DistHD: A Learner-Aware Dynamic Encoding Method for Hyperdimensional Classification
Title（参考訳）: DistHD:超次元分類のための学習者対応動的符号化法
Authors: Junyao Wang, Sitao Huang, Mohsen Imani
Abstract要約: 本稿では,HDC適応学習のための動的符号化手法であるDistHDを提案する。提案するアルゴリズムであるDistHDは,より低次元で所望の精度を実現する。
参考スコア（独自算出の注目度）: 10.535034643999344
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Brain-inspired hyperdimensional computing (HDC) has been recently considered a promising learning approach for resource-constrained devices. However, existing approaches use static encoders that are never updated during the learning process. Consequently, it requires a very high dimensionality to achieve adequate accuracy, severely lowering the encoding and training efficiency. In this paper, we propose DistHD, a novel dynamic encoding technique for HDC adaptive learning that effectively identifies and regenerates dimensions that mislead the classification and compromise the learning quality. Our proposed algorithm DistHD successfully accelerates the learning process and achieves the desired accuracy with considerably lower dimensionality.
Abstract（参考訳）: 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、最近、リソース制約のあるデバイスのための有望な学習アプローチと考えられている。しかし、既存のアプローチでは、学習プロセス中に更新されない静的エンコーダを使用する。そのため、適切な精度を達成するために非常に高次元が必要となり、符号化と訓練効率が著しく低下する。本稿では,HDC適応学習のための新しい動的符号化手法であるDistHDを提案する。提案するアルゴリズムであるDistHDは学習過程を高速化し,所望の精度をかなり低い次元で達成する。

関連論文リスト

Accelerating Error Correction Code Transformers [56.75773430667148]
本稿では,トランスを用いたデコーダの高速化手法を提案する。最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
論文参考訳（メタデータ） (2024-10-08T11:07:55Z)
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)
An Encoding Framework for Binarized Images using HyperDimensional Computing [0.0]
本稿では,近傍のパターンの類似性を保ったバイナライズされた画像を符号化する,新しい軽量化手法を提案する。この方法は、MNISTデータセットのテストセットで97.35%、Fashion-MNISTデータセットで84.12%に達する。
論文参考訳（メタデータ） (2023-12-01T09:34:28Z)
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)
Multiplicative update rules for accelerating deep learning training and increasing robustness [69.90473612073767]
我々は、幅広い機械学習アルゴリズムに適合し、代替の更新ルールを適用することができる最適化フレームワークを提案する。提案するフレームワークはトレーニングを加速する一方、従来の追加更新ルールとは対照的に、より堅牢なモデルにつながります。
論文参考訳（メタデータ） (2023-07-14T06:44:43Z)
Late Breaking Results: Scalable and Efficient Hyperdimensional Computing for Network Intrusion Detection [8.580557246382142]
CyberHDは、非常に低い次元で複雑なサイバー脅威のパターンを捉え、再生する革新的なHDC学習フレームワークである。さらに、高次元空間におけるパターンのホログラム分布は、特にハードウェアエラーに対する堅牢性が高いCyberHDを提供する。
論文参考訳（メタデータ） (2023-04-11T21:30:24Z)
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)
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)
Deep Learning-Based Intra Mode Derivation for Versatile Video Coding [65.96100964146062]
本稿では,Deep Learning based intra Mode Derivation (DLIMD) と呼ばれるインテリジェントイントラモード導出法を提案する。 DLIMDのアーキテクチャは、異なる量子化パラメータ設定と、非平方要素を含む可変符号化ブロックに適応するように開発されている。提案手法は,Versatile Video Coding (VVC) テストモデルを用いて,Y, U, Vコンポーネントの平均ビットレートを2.28%, 1.74%, 2.18%削減できる。
論文参考訳（メタデータ） (2022-04-08T13:23:59Z)
IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文参考訳（メタデータ） (2021-06-23T03:43:10Z)
Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文参考訳（メタデータ） (2020-03-17T13:40:00Z)

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。