XiaoMi-AI文件搜索系统
World File Search SystemHDC
ThermaScope® HDC
所有商标均已确认。ThermaScope 是 Thermoteknix Systems Ltd 的注册商标。Thermateknix Systems Ltd 奉行持续产品开发政策，规格可能会发生变化。ThermaScope ® 在英国设计和制造。
ThermaScope HDC
所有商标均已确认。ThermaScope 是 Thermoteknix Systems Ltd 的注册商标。Thermateknix Systems Ltd 奉行持续产品开发政策，规格随时可能更改。ThermaScope ® 在英国设计和制造。
附录1 -HDC定义“重要的现场BNG”
本报告的目的是定义构成重要现场BNG的内容。目前尚无对国家立法或指导中“重要”构成的构成的定义，因此由个人当局做出自己的判断。当前的政府指南1表示，无论拟议的开发规模如何，要求BNG的绝大多数计划申请都可以作为“重要”。如果BNG是重要的30年管理，并且需要由S106法律协议与理事会和申请人的相关费用确定。与开发的规模和性质以及将确保的BNG的规模和性质相比，申请人和理事会施加巨大和不成比例的负担的风险。通过提供自己对“重要”的定义，Horsham区议会将能够通过法律协议来最大程度地平衡BNG的较大计划，这些计划在不给较小规模开发的绝大多数申请人和理事会资源带来较高的申请人和理事会资源的情况下提供更高数量的BNG。
兴趣表达（EOI）申请表-HDC
re：宣布未悬而未决的声明，请宣布，没有任何诉讼，诉讼，程序，调查或诉讼待定或（开发人员的知识）受到威胁，无论在任何一个情况下还是在汇总中，如果对（开发者）对（开发人员进行不利影响）将对（开发人员）进行重大影响，并对计划的执行或（开发人员的执行或（开发人员）的执行能力，或者（开发人员的执行）（开发人员）的能力（ 项目。i特此在伪证的刑罚下声明，说明我们真实而正确。真诚的（签名人的名称）（标题）注意：必须将此文档与注册公证人进行公证并密封。
超维计算与神经网络
摘要 — 超维计算 (HDC) 作为一种新兴的非冯·诺依曼计算范式得到了广泛关注。受人脑功能方式的启发，HDC 利用高维模式执行学习任务。与神经网络相比，HDC 表现出节能和模型尺寸较小等优势，但在复杂应用中的学习能力却低于平均水平。最近，研究人员观察到，当与神经网络组件结合时，HDC 可以获得比传统 HDC 模型更好的性能。这促使我们探索 HDC 理论基础背后的更深层次见解，特别是与神经网络的联系和差异。在本文中，我们对 HDC 和神经网络进行了比较研究，以提供一个不同的角度，其中 HDC 可以从预先训练的极其紧凑的神经网络中衍生出来。实验结果表明，这种神经网络衍生的 HDC 模型可以分别比传统和基于学习的 HDC 模型实现高达 21% 和 5% 的准确率提高。本文旨在为这种流行的新兴学习方案的研究提供更多见解并指明未来方向。
ScaleHD：通过自适应缩放实现强大的大脑启发式超维计算
受大脑启发的超维计算 (HDC) 在机器人、生物医学信号分析和自然语言处理等各种认知任务中表现出良好的能力。与深度神经网络相比，HDC 模型具有轻量级模型和一次性/少次学习能力等优势，使其成为传统资源密集型深度学习模型的有前途的替代范式，尤其是在资源有限的边缘设备中。尽管 HDC 越来越受欢迎，但尚未对 HDC 模型的鲁棒性和增强 HDC 鲁棒性的方法进行系统分析和充分研究。HDC 依靠称为超向量 (HV) 的高维数值向量来执行认知任务，HV 中的值对于 HDC 模型的鲁棒性至关重要。我们提出了 ScaleHD，一种自适应缩放方法，可以缩放 HDC 模型的联想记忆中的 HV 值，以增强 HDC 模型的鲁棒性。我们提出了三种不同的ScaleHD模式，包括Global-ScaleHD、Class-ScaleHD和(Class+Clip)-ScaleHD，它们基于不同的自适应缩放策略。结果表明，ScaleHD能够将HDC对内存错误的鲁棒性提高到10,000𝑋。此外，我们利用增强的HDC鲁棒性，通过电压缩放方法节省能源。实验结果表明，ScaleHD可以将HDC内存系统的能耗降低高达72.2%，而准确度损失不到1%。
OpenHD：基于 GPU 的超维计算框架
摘要 — 超维计算 (HDC) 已成为深度神经网络的替代轻量级学习解决方案。HDC 的一个关键特性是高度并行，可以促进硬件加速。然而，以前的 HDC 硬件实现很少关注 GPU 设计，这也导致效率低下，部分原因是在 GPU 上加速 HDC 的复杂性。在本文中，我们提出了 OpenHD，这是一个灵活且高性能的 GPU 驱动框架，用于自动将包括分类和聚类在内的一般 HDC 应用程序映射到 GPU。OpenHD 利用专门针对 HDC 的内存优化策略，最大限度地缩短对不同内存子系统的访问时间，并消除冗余操作。我们还提出了一种新颖的训练方法，以实现 HDC 训练中的数据并行性。我们的评估结果表明，所提出的训练方法可以快速达到目标准确率，将所需的训练周期减少了 4 × 。借助 OpenHD，用户无需领域专家知识即可部署 GPU 加速的 HDC 应用程序。与最先进的 GPU 驱动的 HDC 实现相比，我们在 NVIDIA Jetson TX2 上的评估表明，OpenHD 在基于 HDC 的分类和聚类方面分别快了 10.5 倍和 314 倍。与 GPU 上的非 HDC 分类和聚类相比，由 OpenHD 驱动的 HDC 在准确度相当的情况下快了 11.7 倍和 53 倍。
HDXPlore：自动化的黑盒测试脑启发的超维度计算
摘要 - 由人脑的工作方式吸引，急剧的高维计算（HDC）正在受到越来越多的关注。HDC是一种基于大脑的工作机理的新兴计算方案，该方案具有深层和抽象的神经活动模式而不是实际数字。与传统的ML算法（例如DNN）相比，HDC以内存为中心，授予其优势，例如相对较小的模型大小，较小的计算成本和一声学习，使其成为低成本计算平台中的有前途的候选人。但是，尚未系统地研究HDC模型的鲁棒性。在本文中，我们通过开发基于黑盒差异测试的框架来系统地揭示HDC模型的意外或不正确行为。我们利用具有与交叉引用甲环类似功能的多个HDC模型，以避免手动检查或标记原始输入。我们还提出了HDXplore中不同的扰动机制。HDXplore自动发现了HDC模型的数千种不正确的角案例行为。我们提出了两种重新训练机制，并使用HDXplore生成的角病例来重新培训HDC模型，我们可以将模型准确性提高高达9％。
EnHDC：受大脑启发的超维计算的集成学习
摘要 — 集成学习是一种经典的学习方法，利用一组弱学习器组成一个强学习器，旨在提高模型的准确性。最近，受大脑启发的超维计算（HDC）成为一种新兴的计算范式，已在人类活动识别、语音识别和生物医学信号分类等各个领域取得成功。HDC 模仿大脑认知，利用具有完全分布式全息表示和（伪）随机性的高维向量（例如 10000 维）。本文首次尝试在 HDC 的背景下探索集成学习，并提出了第一个集成 HDC 模型，称为 EnHDC。EnHDC 使用基于多数投票的机制协同整合多个基础 HDC 分类器的预测结果。为了增强基分类器的多样性，我们改变了基分类器之间的编码机制、维度和数据宽度设置。通过将 EnHDC 应用于广泛的应用，结果表明，EnHDC 的准确率比单个 HDC 分类器平均提高 3.2%。此外，我们还表明，具有较低维度（例如 1000 维）的 EnHDC 可以实现与具有较高维度（例如 10000 维）的基线 HDC 相似甚至更高的准确率。这使得 HDC 模型的存储需求减少了 20%，这是在低功耗计算平台上实现 HDC 的关键。
HDTest：受大脑启发的超维计算的差分模糊测试
摘要 — 受脑启发的超维计算 (HDC) 是一种新兴的计算范式，它模仿大脑认知并利用具有完全分布式全息表示和（伪）随机性的超维向量。与深度神经网络 (DNN) 等其他机器学习 (ML) 方法相比，HDC 具有高能效、低延迟和一次性学习等优势，使其成为广泛应用的有前途的替代候选者。然而，HDC 模型的可靠性和稳健性尚未得到探索。在本文中，我们设计、实现和评估 HDTest 以通过在罕见输入下自动暴露意外或不正确的行为来测试 HDC 模型。HDTest 的核心思想基于引导式差分模糊测试。在 HDC 中查询超向量和参考超向量之间的距离的引导下，HDTest 不断变异原始输入以生成可能触发 HDC 模型不正确行为的新输入。与传统的 ML 测试方法相比，HDTest 不需要手动标记原始输入。以手写数字分类为例，我们表明 HDTest 可以生成数千个对抗性输入，这些输入的干扰可以忽略不计，可以成功欺骗 HDC 模型。平均而言，HDTest 在一台商用计算机上运行一分钟内可以生成大约 400 个对抗性输入。最后，通过使用 HDTest 生成的输入重新训练 HDC 模型，我们可以增强 HDC 模型的稳健性。据我们所知，本文首次尝试系统地测试这种新兴的受大脑启发的计算模型。