論文の概要: FactorHD: A Hyperdimensional Computing Model for Multi-Object Multi-Class Representation and Factorization
- arxiv url: http://arxiv.org/abs/2507.12366v1
- Date: Wed, 16 Jul 2025 16:09:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-17 19:00:11.462722
- Title: FactorHD: A Hyperdimensional Computing Model for Multi-Object Multi-Class Representation and Factorization
- Title（参考訳）: FactorHD:多目的多クラス表現とファクトリゼーションのための超次元計算モデル
- Authors: Yifei Zhou, Xuchu Huang, Chenyu Ni, Min Zhou, Zheyu Yan, Xunzhao Yin, Cheng Zhuo,
- Abstract要約: 本稿では,クラス-サブクラス関係を効率的に表現・分解できる新しいHDCモデルであるFacterHDを提案する。
FactorHDは、複数のオブジェクトをクラス-サブクラス関係で表現し、分解する際の計算効率と精度を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 10.926267381020434
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Neuro-symbolic artificial intelligence (neuro-symbolic AI) excels in logical analysis and reasoning. Hyperdimensional Computing (HDC), a promising brain-inspired computational model, is integral to neuro-symbolic AI. Various HDC models have been proposed to represent class-instance and class-class relations, but when representing the more complex class-subclass relation, where multiple objects associate different levels of classes and subclasses, they face challenges for factorization, a crucial task for neuro-symbolic AI systems. In this article, we propose FactorHD, a novel HDC model capable of representing and factorizing the complex class-subclass relation efficiently. FactorHD features a symbolic encoding method that embeds an extra memorization clause, preserving more information for multiple objects. In addition, it employs an efficient factorization algorithm that selectively eliminates redundant classes by identifying the memorization clause of the target class. Such model significantly enhances computing efficiency and accuracy in representing and factorizing multiple objects with class-subclass relation, overcoming limitations of existing HDC models such as "superposition catastrophe" and "the problem of 2". Evaluations show that FactorHD achieves approximately 5667x speedup at a representation size of 10^9 compared to existing HDC models. When integrated with the ResNet-18 neural network, FactorHD achieves 92.48% factorization accuracy on the Cifar-10 dataset.
- Abstract（参考訳）: ニューロシンボリック人工知能(Neuro-symbolic AI)は、論理解析と推論において優れている。
超次元コンピューティング(HDC)は、脳にインスパイアされた有望な計算モデルであり、ニューロシンボリックAIに不可欠なものである。
クラス-インスタンスとクラス-クラスの関係を表現するために様々なHDCモデルが提案されているが、複数のオブジェクトがクラスとサブクラスの異なるレベルを関連付ける、より複雑なクラス-サブクラス関係を表現する場合、それらは、ニューロシンボリックAIシステムにとって重要なタスクである因子化の課題に直面している。
本稿では,複雑なクラス-サブクラス関係を効率的に表現・分解できる新しいHDCモデルであるFacterHDを提案する。
FactorHDは、複数のオブジェクトに対してより多くの情報を保持する余分な記憶節を埋め込むシンボリックエンコーディングメソッドを備えている。
さらに、目的クラスの暗記節を識別することにより、冗長クラスを選択的に除去する効率的な因数分解アルゴリズムを採用している。
このようなモデルは、複数のオブジェクトをクラス-サブクラス関係で表現し、分解する際の計算効率と精度を大幅に向上させ、「仮定大災害」や「2の問題」といった既存のHDCモデルの限界を克服する。
既存のHDCモデルと比較して,FacterHDは10^9の表現サイズで約5667倍の高速化を実現している。
ResNet-18ニューラルネットワークと統合されると、FacterHDはCifar-10データセット上で92.48%の分解精度を達成する。
関連論文リスト
- Hybrid Discriminative Attribute-Object Embedding Network for Compositional Zero-Shot Learning [83.10178754323955]
HDA-OE(Hybrid Discriminative Attribute-Object Embedding)ネットワークは,属性とオブジェクトの視覚表現との複雑な相互作用を解決するために提案される。
トレーニングデータの多様性を高めるため、HDA-OEは属性駆動型データ合成(ADDS)モジュールを導入した。
HDA-OEは、モデルの識別能力をさらに向上するため、サブクラス駆動の差別的埋め込み(SDDE)モジュールを導入している。
提案モデルを3つのベンチマークデータセットで評価し,その妥当性と信頼性を検証した。
論文 参考訳（メタデータ） (2024-11-28T09:50:25Z) - Multi-Hierarchical Surrogate Learning for Structural Dynamical Crash
Simulations Using Graph Convolutional Neural Networks [5.582881461692378]
カルトフレームの一連のサロゲートモデルを構造的に生成する多階層フレームワークを提案する。
マルチスケール現象では、粗いサロゲート上でマクロスケールの特徴が捉えられ、ミクロスケール効果はより微細なサロゲートによって解決される。
我々は、粗い表現上でパラメータ依存の低次元潜在力学を学習するグラフ畳み込みニューラルネットワークに基づくサロゲートを訓練する。
論文 参考訳（メタデータ） (2024-02-14T15:22:59Z) - The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。
ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。
新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
論文 参考訳（メタデータ） (2024-02-02T20:33:14Z) - Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。
我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。
このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
論文 参考訳（メタデータ） (2023-10-03T05:40:56Z) - Factorization Approach for Sparse Spatio-Temporal Brain-Computer
Interface [17.85507707727557]
脳波信号の分解により,スパース条件下での豊かで決定的な特徴を抽出できることを示す。
単腕運動画像データセットを用いて評価を行った。
論文 参考訳（メタデータ） (2022-06-17T00:30:43Z) - CogNGen: Constructing the Kernel of a Hyperdimensional Predictive
Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。
我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文 参考訳（メタデータ） (2022-03-31T04:44:28Z) - EnHDC: Ensemble Learning for Brain-Inspired Hyperdimensional Computing [2.7462881838152913]
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。
論文 参考訳（メタデータ） (2022-03-25T09:54:00Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - CausalX: Causal Explanations and Block Multilinear Factor Analysis [3.087360758008569]
全体と部分の統一多線形モデルを提案する。
ボトムアップ計算の代替品であるインクリメンタルmモードブロックsvdを導入する。
結果のオブジェクト表現は、オブジェクトの全体と部分の階層に関連する固有の因果係数表現の解釈可能な選択である。
論文 参考訳（メタデータ） (2021-02-25T13:49:01Z) - SynergicLearning: Neural Network-Based Feature Extraction for
Highly-Accurate Hyperdimensional Learning [3.5024680868164437]
機械学習モデルは、精度、計算/メモリの複雑さ、トレーニング時間、適応性という点で異なる。
本研究は, チップ上でのインクリメンタルなオンライン学習に適したハイブリッド・シナジー型機械学習モデルを提案する。
提案したモデルは、NNと同じレベルの精度(すなわち$pm$1%)を持ち、HD学習モデルと比較して少なくとも10%の精度向上を実現している。
論文 参考訳（メタデータ） (2020-07-30T04:35:20Z) - High-Dimensional Quadratic Discriminant Analysis under Spiked Covariance
Model [101.74172837046382]
そこで本研究では,魚の識別比を最大化する2次分類手法を提案する。
数値シミュレーションにより,提案した分類器は,合成データと実データの両方において古典的R-QDAよりも優れるだけでなく,計算量の削減も要求されることがわかった。
論文 参考訳（メタデータ） (2020-06-25T12:00:26Z)
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。