Fugu-MT 論文翻訳(概要): Superposed Inference for Hyperdimensional Computing

論文の概要: Superposed Inference for Hyperdimensional Computing

arxiv url: http://arxiv.org/abs/2609.32320v1
Date: Sat, 26 Sep 2026 07:31:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-07 17:47:47.364882
Title: Superposed Inference for Hyperdimensional Computing
Title（参考訳）: 超次元計算のための重ね合わせ推論
Abstract要約: SupHDCは、共有符号化計算によって複数のクエリを処理する推論パラダイムである。 10つのデータセットにわたって、SupHDC 1.39x分析スピードアップは平均精度損失がなく、最大2.08xスピードアップは2.67ポイントの平均精度損失のみである。 Raspberry Pi5では、平均予測精度で2.26ポイントの損失を発生させる。
参考スコア（独自算出の注目度）: 11.594895557508801
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hyperdimensional computing (HDC) is attractive for efficient and robust learning, but conventional inference still encodes every query independently, repeatedly paying the cost of high-dimensional projection. We introduce SupHDC, a new inference paradigm that processes multiple queries through a shared encoding computation. SupHDC assigns lightweight random slot keys, superposes the keyed queries before encoding, and uses slot-specific classifiers to recover their individual predictions. A random-feature kernel view explains why exact recovery of each hypervector is unnecessary: inference only needs to preserve the class evidence that determines the prediction. Across ten datasets, SupHDC achieves 1.39x analytical speedup with no average accuracy loss, and up to 2.08x speedup with only a 2.67 percentage-point mean accuracy loss. On a Raspberry Pi~5, it delivers 2.01x measured wall-clock speedup with a 2.26 percentage-point loss in mean prediction accuracy. SupHDC shows that high-dimensional redundancy can be used not only for robustness, but also as capacity for shared inference.
Abstract（参考訳）: 超次元コンピューティング(HDC)は効率的で堅牢な学習には魅力的だが、従来の推論は依然として全てのクエリを独立に符号化し、高次元投影のコストを何度も支払う。本稿では、共有符号化計算により複数のクエリを処理する新しい推論パラダイムであるSupHDCを紹介する。 SupHDCは軽量なランダムスロットキーを割り当て、エンコーディング前にキー付きクエリを代入し、スロット固有の分類器を使用して個々の予測を復元する。ランダムなカーネルビューでは、各ハイパーベクタの正確なリカバリが不要である理由が説明されている。 10データセットにわたって、SupHDCは平均精度損失のない1.39倍の分析スピードアップ、最大2.08倍のスピードアップを達成し、平均精度損失は2.67ポイントである。 Raspberry Pi~5では、平均予測精度が2.26ポイント低下した2.1倍のウォールクロック速度を提供する。 SupHDCは、高次元冗長性はロバスト性だけでなく、共有推論のキャパシティにも利用できることを示した。

関連論文リスト

Prof-K: Probabilistic One-Pass Filtering for Efficient Top-k Selection [11.90858984464117]
Prof-Kは確率論的正当性を保証する高速でスケーラブルで分布に依存しないトップkアルゴリズムである。我々は、ほぼ最適なサンプルサイズとともに、精度とバッファサイズを高い確率で保証する。 Prof-K は高度に最適化された PyTorch topk と最近の RadiK 実装で1.5x-10x の高速化を実現している。
論文参考訳（メタデータ） (2026-08-12T20:31:33Z)
No More K-means: Single-Stage Sparse Coding for Efficient Multi-Vector Retrieval [51.43543998583709]
SSR(Single-stage Sparse Retrieval)は、高価なクラスタリングを効率的なスパースコーディングに置き換えるパラダイムシフトである。 ColBERTv2と比較してインデックス処理時間を15倍短縮し、検索レイテンシを半減させ、同時に検索性能を向上させる。
論文参考訳（メタデータ） (2026-05-28T15:53:34Z)
Re-FORC: Adaptive Reward Prediction for Efficient Chain-of-Thought Reasoning [85.76121000710522]
適応型報酬予測法であるRe-FORCを提案する。将来の思考トークン数の関数として期待される未来の報酬を予測することができる。
論文参考訳（メタデータ） (2025-11-03T23:47:49Z)
ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
論文参考訳（メタデータ） (2025-09-18T16:55:09Z)
Inference-Time Hyper-Scaling with KV Cache Compression [14.3277766059543]
Dynamic Memory Sparsification (DMS)は、8$times$圧縮を達成するために1Kのトレーニングステップしか必要としないKVキャッシュをスパース化する新しい方法である。 DMSは推論遅延とメモリ負荷に匹敵する精度を向上することを示す。例えば、GPQA では AIME 24 8.6 、LiveCodeBench では 9.7 で、12.0 のポイントで Qwen-R1 32B を拡張します。
論文参考訳（メタデータ） (2025-06-05T17:59:55Z)
DPQ-HD: Post-Training Compression for Ultra-Low Power Hyperdimensional Computing [6.378578005171813]
ポストトレーニング圧縮アルゴリズムDPQ-HD(Decomposition-Pruning-Quantization)を提案する。 DPQ-HDは上記の3つの圧縮技法を一意に組み合わせることで計算とメモリのオーバーヘッドを低減する。 DPQ-HDは1-2%の精度で画像およびグラフ分類タスクの最大20-100倍のメモリ削減を実現している。
論文参考訳（メタデータ） (2025-05-08T16:54:48Z)
Quantize What Counts: More for Keys, Less for Values [63.51476878610841]
大規模言語モデル(LLM)は、キーバリュー(KV)キャッシュに支配される推論時のメモリボトルネックに悩まされる。本稿ではトランスフォーマーモデルの内在幾何学における混合精度KV量子化を固定する2つの定理を提案する。
論文参考訳（メタデータ） (2025-02-20T22:24:27Z)
Value-Driven Mixed-Precision Quantization for Patch-Based Inference on Microcontrollers [35.666772630923234]
QuantMCUは、値駆動型混合精度量子化を利用して冗長計算を減らす、パッチベースの新しい推論手法である。我々は,QuantMCUが平均2.2倍の計算量を削減できることを示す。
論文参考訳（メタデータ） (2024-01-24T04:21:41Z)
Binary Single-dimensional Convolutional Neural Network for Seizure Prediction [4.42106872060105]
てんかん発作予測のための2次元畳み込みニューラルネットワーク(BSDCNN)を提案する。 BSDCNNは1D畳み込みカーネルを使用して予測性能を向上させる。曲線、感度、誤予測率は0.915、89.26%、0.117/h、0.970、94.69%、0.095/hに達する。
論文参考訳（メタデータ） (2022-06-08T09:27:37Z)
VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
論文参考訳（メタデータ） (2021-06-18T17:04:57Z)
APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文参考訳（メタデータ） (2020-06-15T16:09:17Z)

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。