論文の概要: HyperSpace: A Generalized Framework for Spatial Encoding in Hyperdimensional Representations

• arxiv url: http://arxiv.org/abs/2604.15113v1
• Date: Thu, 16 Apr 2026 15:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.969987
• Title: HyperSpace: A Generalized Framework for Spatial Encoding in Hyperdimensional Representations
• Title（参考訳）: HyperSpace: 超次元表現における空間符号化のための汎用フレームワーク
• Authors: Shay Snyder, Andrew Capodieci, David Gorsich, Maryam Parsa,
• Abstract要約: 私たちは、VSAシステムをエンコーディング、バインディング、バンドル、類似性、クリーンアップ、レグレッションのためのモジュラー演算子に分解するオープンソースのフレームワークであるHyperSpaceを紹介します。 HyperSpaceを用いて、ホログラフィ還元表現(HRR)とフーリエホログラフィ還元表現(FHRR)の2つの代表的なVSAバックエンドを分析し、ベンチマークする。
• 参考スコア（独自算出の注目度）: 0.5337302350000983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vector Symbolic Architectures (VSAs) provide a well-defined algebraic framework for compositional representations in hyperdimensional spaces. We introduce HyperSpace, an open-source framework that decomposes VSA systems into modular operators for encoding, binding, bundling, similarity, cleanup, and regression. Using HyperSpace, we analyze and benchmark two representative VSA backends: Holographic Reduced Representations (HRR) and Fourier Holographic Reduced Representations (FHRR). Although FHRR provides lower theoretical complexity for individual operations, HyperSpaces modularity reveals that similarity and cleanup dominate runtime in spatial domains. As a result, HRR and FHRR exhibit comparable end-to-end performance. Differences in memory footprint introduce additional deployment trade-offs where HRR requires approximately half the memory of FHRR vectors. By enabling modular, system-level evaluation, HyperSpace reveals practical trade-offs in VSA pipelines that are not apparent from theoretical or operator-level comparisons alone.
• Abstract（参考訳）: ベクトル記号アーキテクチャ(VSAs)は、超次元空間における合成表現のためのよく定義された代数的フレームワークを提供する。 私たちは、VSAシステムをエンコーディング、バインディング、バンドル、類似性、クリーンアップ、レグレッションのためのモジュラー演算子に分解するオープンソースのフレームワークであるHyperSpaceを紹介します。 HyperSpaceを用いて、ホログラフィックリダクション(HRR)とフーリエホログラフィックリダクション(FHRR)の2つの代表的なVSAバックエンドを分析し、ベンチマークする。 FHRRは個々の操作に対してより理論的な複雑さを提供するが、HyperSpacesのモジュラリティは、空間領域における類似性とクリーンアップがランタイムを支配していることを示している。 その結果、HRRとFHRRはエンドツーエンドのパフォーマンスに匹敵する結果となった。 メモリフットプリントの違いは、HRRがFHRRベクトルの約半分のメモリを必要とする場合、追加のデプロイメントトレードオフをもたらす。 モジュール型のシステムレベルの評価を可能にすることで、HyperSpaceは理論的あるいはオペレータレベルの比較だけでは明らかでないVSAパイプラインの実践的なトレードオフを明らかにしている。

関連論文リスト

• RASLF: Representation-Aware State Space Model for Light Field Super-Resolution [16.453425321865762]
  RASLFは、複数のLF表現にまたがる構造的相関を明示的にモデル化する、表現対応のステートスペースフレームワークである。 本稿では、異なる表現空間の物理特性に基づいて走査経路を動的に調整するRepresentation Aware Asymmetric Scanning機構を提案する。 様々な公開ベンチマーク実験により、RASLFは高い計算効率を保ちながら、最も高い再構成精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-17T08:28:00Z)
• GT-Space: Enhancing Heterogeneous Collaborative Perception with Ground Truth Feature Space [30.468574984070894]
  自律運転において、マルチエージェント協調知覚は、エージェントが知覚データを共有できるようにすることで、知覚能力を高める。 既存のアプローチでは、ペアワイズ機能アライメントのためにエンコーダをリトレーニングしたり、インタプリタモジュールを設計する必要がしばしばある。 異種エージェントのための柔軟でスケーラブルな協調認識フレームワークである Em GT-Space を提案する。
  論文  参考訳（メタデータ） (2026-03-13T14:39:40Z)
• SpaceR: Reinforcing MLLMs in Video Spatial Reasoning [70.7401015322983]
  ビデオ空間推論は、既存のマルチモーダル大言語モデル(MLLM)にとって重要な課題である この制限は主に、1)このタスクに高品質なデータセットがないこと、2)空間推論能力を開発するための効果的なトレーニング戦略がないことに由来する。 空間推論能力のアンロックにおける強化学習(Reinforcement Learning with Verifiable Reward, RLVR)の成功により, RLVRパラダイムを通じて映像空間推論におけるMLLMの改善を目指す。
  論文  参考訳（メタデータ） (2025-04-02T15:12:17Z)
• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• HyperVQ: MLR-based Vector Quantization in Hyperbolic Space [56.4245885674567]
  一般的な解決策は、VQ変分オートエンコーダ(VQVAE)にベクトル量子化(VQ)を採用することである。 本稿では,双曲型多相ロジスティック回帰(MLR)問題としてVQを定式化する新しい手法であるHyperVQを紹介する。 本実験は,HyperVQが従来のVQに比較し,識別性能を上回りながら,生成・再構成タスクに適合することを示した。
  論文  参考訳（メタデータ） (2024-03-18T03:17:08Z)
• Binarized Spectral Compressive Imaging [59.18636040850608]
  ハイパースペクトル画像(HSI)再構成のための既存のディープラーニングモデルは、優れた性能を実現するが、膨大なメモリと計算資源を持つ強力なハードウェアを必要とする。 本稿では,BiSRNet(Biarized Spectral-Redistribution Network)を提案する。 BiSRNetは,提案手法を用いてベースモデルのバイナライズを行う。
  論文  参考訳（メタデータ） (2023-05-17T15:36:08Z)
• Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
  本稿では,超スペクトル部分空間解析のための新しい手法を提案する。 この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T16:29:59Z)

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。