論文の概要: Large-Margin Hyperdimensional Computing: A Learning-Theoretical Perspective

• arxiv url: http://arxiv.org/abs/2603.03830v1
• Date: Wed, 04 Mar 2026 08:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.233914
• Title: Large-Margin Hyperdimensional Computing: A Learning-Theoretical Perspective
• Title（参考訳）: 大マージン超次元計算:学習理論の視点から
• Authors: Nikita Zeulin, Olga Galinina, Ravikumar Balakrishnan, Nageen Himayat, Sergey Andreev,
• Abstract要約: 超次元コンピューティング(HDC)は、資源の効率的かつ低複雑さな機械学習手法である。 本稿では,複数のベンチマークデータセットにおいて,ベースラインのHDC法を著しく上回る最大マージンHDC分類器を提案する。
• 参考スコア（独自算出の注目度）: 4.132339396232777
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Overparameterized machine learning (ML) methods such as neural networks may be prohibitively resource intensive for devices with limited computational capabilities. Hyperdimensional computing (HDC) is an emerging resource efficient and low-complexity ML method that allows hardware efficient implementations of (re-)training and inference procedures. In this paper, we propose a maximum-margin HDC classifier, which significantly outperforms baseline HDC methods on several benchmark datasets. Our method leverages a formal relation between HDC and support vector machines (SVMs) that we established for the first time. Our findings may inspire novel HDC methods with potentially more hardware-oriented implementations compared to SVMs, thus enabling more efficient learning solutions for various intelligent resource-constrained applications.
• Abstract（参考訳）: ニューラルネットワークのような過度にパラメータ化された機械学習(ML)メソッドは、計算能力に制限のあるデバイスに対して、違法にリソースを集中的に消費する可能性がある。 超次元コンピューティング(HDC)は、(再)トレーニングおよび推論手順のハードウェアによる効率的な実装を可能にする、資源効率が高く、低複雑さのML手法である。 本稿では,複数のベンチマークデータセットにおいて,ベースラインHDC法を著しく上回る最大マージンHDC分類器を提案する。 提案手法では,HDC とサポートベクトルマシン (SVM) の形式的関係を利用して構築した。 我々の発見は、SVMと比較してハードウェア指向の実装が潜在的に多い新しいHDC手法を刺激し、様々な知的リソース制約のあるアプリケーションに対してより効率的な学習ソリューションを可能にする可能性がある。

関連論文リスト

• HD-CB: The First Exploration of Hyperdimensional Computing for Contextual Bandits Problems [0.6377289349842638]
  この研究は超次元文脈帯域(HD-CB)を導入している。 HD-CBは、シーケンシャルな意思決定問題をモデル化し、自動化するためのHDCの最初の探索である。 従来の線形CBアルゴリズムと比較して、競争力や優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-01-28T11:28:09Z)
• 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)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Multi-class Support Vector Machine with Maximizing Minimum Margin [60.06805919852749]
  Support Vector Machine (SVM) は、パターン認識タスクに広く応用されている機械学習技術である。 本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。 実験により,提案手法の有効性と優位性を示す。
  論文  参考訳（メタデータ） (2023-12-11T18:09:55Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Resource-Efficient Federated Hyperdimensional Computing [6.778675369739912]
  従来の超次元計算(HDC)では、より大きなモデルを訓練すると予測性能が向上するが、計算量、通信量、エネルギー資源も増大する。 提案したリソース効率のフレームワークは、複数の独立したHDCサブモデルをトレーニングすることで、そのような制約を緩和する。 提案手法は,計算資源や無線資源の消費を減らしながら,同等あるいは高い予測性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-06-02T08:07:14Z)
• 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)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
  本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。 本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-17T20:19:25Z)

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。