論文の概要: hdlib 2.0: Extending Machine Learning Capabilities of Vector-Symbolic Architectures

• arxiv url: http://arxiv.org/abs/2601.02509v1
• Date: Mon, 05 Jan 2026 19:25:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.701607
• Title: hdlib 2.0: Extending Machine Learning Capabilities of Vector-Symbolic Architectures
• Title（参考訳）: hdlib 2.0: ベクトルシンボリックアーキテクチャの機械学習能力の拡張
• Authors: Fabio Cumbo, Kabir Dhillon, Daniel Blankenberg,
• Abstract要約: VSA(Vector-Symbolic Architectures)を設計するためのPythonライブラリのメジャー拡張を紹介します。 今回のアップデートでは、VSAフレームワーク内でのより高度なデータ駆動モデリングの必要性が高まっている。 本稿では,量子演算を用いた量子超次元計算の最初の実装を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Following the initial publication of hdlib, a Python library for designing Vector-Symbolic Architectures (VSA), we introduce a major extension that significantly enhances its machine learning capabilities. VSA, also known as Hyperdimensional Computing, is a computing paradigm that represents and processes information using high-dimensional vectors. While the first version of hdlib established a robust foundation for creating and manipulating these vectors, this update addresses the growing need for more advanced, data-driven modeling within the VSA framework. Here, we present four extensions: significant enhancements to the existing supervised classification model also enabling feature selection, and a new regression model for predicting continuous variables, a clustering model for unsupervised learning, and a graph-based learning model. Furthermore, we propose the first implementation ever of Quantum Hyperdimensional Computing with quantum-powered arithmetic operations and a new Quantum Machine Learning model for supervised learning. hdlib remains open-source and available on GitHub at https://github.com/cumbof/hdlib under the MIT license, and distributed through the Python Package Index (pip install hdlib) and Conda (conda install -c conda-forge hdlib). Documentation and examples of these new features are available on the official Wiki at https://github.com/cumbof/hdlib/wiki.
• Abstract（参考訳）: VSA(Vector-Symbolic Architectures)を設計するためのPythonライブラリであるhdlibの最初の公開に続いて、機械学習機能を大幅に強化する大規模な拡張を導入する。 VSA (Hyperdimensional Computing) は、高次元ベクトルを用いて情報を表現・処理する計算パラダイムである。 hdlibの最初のバージョンは、これらのベクトルの作成と操作のための堅牢な基盤を確立したが、今回のアップデートは、VSAフレームワーク内でのより高度なデータ駆動モデリングの必要性の高まりに対処するものだ。 ここでは、既存の教師付き分類モデルの大幅な強化と特徴選択を可能にするとともに、連続変数を予測する新しい回帰モデル、教師なし学習のためのクラスタリングモデル、グラフベースの学習モデルを示す。 さらに、量子パワー演算による量子超次元計算の最初の実装と、教師あり学習のための新しい量子機械学習モデルを提案する。 hdlibはオープンソースであり、MITライセンス下でhttps://github.com/cumbof/hdlibでGitHubで利用可能であり、Python Package Index (pip install hdlib)とConda (conda install -c conda-forge hdlib)を通じて配布されている。 これらの新機能のドキュメンテーションと例は、https://github.com/cumbof/hdlib/wikiで公式Wikiで公開されている。

関連論文リスト

• Iceberg: Enhancing HLS Modeling with Synthetic Data [61.48659845413156]
  Icebergは、LLM(Big Language Model)生成プログラムと、目に見えない設計構成の弱いラベルの両方を拡張する合成データ拡張アプローチである。 我々の弱いラベル生成方法はコンテキスト内モデルアーキテクチャと統合され、実際のラベルや近親ラベルからのメタラーニングを可能にする。
  論文  参考訳（メタデータ） (2025-07-14T05:48:09Z)
• Cuvis.Ai: An Open-Source, Low-Code Software Ecosystem for Hyperspectral Processing and Classification [0.4038539043067986]
  cuvis.aiは、データ取得、前処理、モデルトレーニングのためのオープンソースでローコードなソフトウェアエコシステムである。 パッケージはPythonで書かれており、一般的な機械学習ライブラリのラッパーを提供する。
  論文  参考訳（メタデータ） (2024-11-18T06:33:40Z)
• shapiq: Shapley Interactions for Machine Learning [21.939393765684827]
  Shapley Value(SV)とShapley Interactions(SI)を効率的に計算するために、最先端のアルゴリズムを統一したオープンソースのPythonパッケージであるshapiqを紹介する。 実践者にとって、Shapiqは、視覚変換器、言語モデル、XGBoost、TreeShap-IQによるLightGBMなど、モデルの予測において、任意の順序のフィーチャーインタラクションを説明および視覚化することができる。
  論文  参考訳（メタデータ） (2024-10-02T15:16:53Z)
• Scaling Tractable Probabilistic Circuits: A Systems Perspective [53.76194929291088]
  PyJuiceは、いくつかの点で先行技術を改善するPCの一般的な実装設計である。 大規模PCのトレーニングでは、既存のシステムよりも1～2桁高速である。 PyJuiceは2～5倍のメモリを消費するので、より大きなモデルをトレーニングすることができます。
  論文  参考訳（メタデータ） (2024-06-02T14:57:00Z)
• hyperbox-brain: A Toolbox for Hyperbox-based Machine Learning Algorithms [9.061408029414455]
  Hyperbox-brainはオープンソースのPythonライブラリで、主要なハイパーボックスベースの機械学習アルゴリズムを実装している。 Hyperbox-brainは、よく知られたScikit-learnおよびnumpyツールボックスと互換性のある統一APIを公開する。
  論文  参考訳（メタデータ） (2022-10-06T06:40:07Z)
• Torchhd: An Open Source Python Library to Support Research on Hyperdimensional Computing and Vector Symbolic Architectures [99.70485761868193]
  我々はHD/VSA用の高性能オープンソースPythonライブラリであるTorchhdを紹介する。 Torchhdは、HD/VSAをよりアクセスしやすくし、さらなる研究とアプリケーション開発のための効率的な基盤となることを目指している。
  論文  参考訳（メタデータ） (2022-05-18T20:34:25Z)
• Forward Compatible Few-Shot Class-Incremental Learning [71.2459746681805]
  機械学習モデルは、古いクラスを忘れずに新しいクラスを認識するべきである。 現在の手法は漸進的な学習をふりかえりに扱う。 FSCILのためのForwArd Compatible Training (FACT)を提案する。
  論文  参考訳（メタデータ） (2022-03-14T09:36:35Z)
• HyperSeed: Unsupervised Learning with Vector Symbolic Architectures [5.258404928739212]
  本稿では,Hyperseedという新しい教師なし機械学習手法を提案する。 VSA(Vector Symbolic Architectures)を活用して、問題のないデータのトポロジ保存機能マップを高速に学習する。 ハイパーシードアルゴリズムの2つの特徴的特徴は,1)少数の入力データサンプルから学習すること,2)1つのベクトル演算に基づく学習規則である。
  論文  参考訳（メタデータ） (2021-10-15T20:05:43Z)
• Darts: User-Friendly Modern Machine Learning for Time Series [0.21444950959930006]
  Dartsは時系列のためのPythonの機械学習ライブラリです。 Dartsは、ARIMAのような古典的なモデルから最先端のディープニューラルネットワークまで、さまざまなモデルを提供している。
  論文  参考訳（メタデータ） (2021-10-07T07:18:57Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)

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。