XiaoMi-AI文件搜索系统
World File Search System维度计算
为有效的超维度计算的HyperVector设计
超维度计算（HDC）已成为具有较小的计算和能量需求的新型轻质学习算法。在HDC中，数据点由高维矢量（高向量）表示，这些矢量映射到高维空间（超空间）。典型地，需要大型的Hypervector维度（≥1000）才能获得与常规替代方案相当的精确度。但是，不一定的大型向量增加了硬件和能源成本，这可能会破坏其收益。本文提出了一种技术，可以最大程度地减少HyperVector维度，同时保持准确性并提高分类器的鲁棒性。为此，我们在文献中首次将HyperVector设计作为多目标优化问题。所采用的方法将HyperVector维度降低了32倍以上，同时维持或提高了常规HDC所达到的准确性。在商业硬件平台上进行的实验表明，所提出的方法可以减少模型大小，推理时间和能耗的数量级以上。我们还展示了噪声的准确性和鲁棒性之间的权衡，并提供帕累托前溶液作为我们HyperVector设计中的设计参数。
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％。
节俭：跨闪存层次结构进行超维度计算的培训
超维度计算（HDC）是一种受脑启发的计算范式，可与高维矢量，高矢量，而不是数字一起使用。HDC用位，更简单的算术操作代替了几个复杂的学习组成，从而产生了更快，更节能的学习算法。但是，由于将数据映射到高维空间中，因此它是以增加数据的成本来处理的。虽然某些数据集可能几乎适合内存，但最终的过量向量通常无法存储在内存中，从而导致长期数据传输从存储中。在本文中，我们提出了节俭，这是一种存储计算（ISC）解决方案，该解决方案在整个闪存层次结构上执行HDC编码和训练。为了隐藏培训的延迟并启用有效的计算，我们介绍了HDC中的批处理概念。它使我们能够将HDC培训分为子组件并独立处理。我们还首次提出了HDC的芯片加速度，该加速器使用简单的低功率数字电路来实现闪光平面中的HDC编码。这使我们能够探索Flash层次结构提供的高内部并行性，并与可忽略不计的延迟开销并行编码多个数据点。节俭还实现了单个顶级FPGA加速器，该加速器进一步处理了从芯片中获得的数据。我们利用最先进的内部人ISC基础架构来扩展顶级加速器，并为节俭提供软件支持。节俭的人完全在存储中进行HDC培训，同时几乎完全隐藏了计算的延迟。我们对五个流行分类数据集的评估表明，节俭平均比CPU服务器快1612×。4×比最先进的ISC解决方案快4×，用于HDC编码和培训的内幕。
超维度计算和应用 - ADA中心
[DAC'19] M. Imani，J。Morris，J。Messerly，H。Shu，Y。Deng，T。Rosing，“ Bric：基于局部性的编码，用于节能脑启发性脑启发性高维度计算”，IEEE/ACM设计自动化会议（DAC），2019年。[DAC'18] M. Imani，C。Huang，D。Kong，T。Rosing，“用于节能分类的层次结构高维计算”，IEEE/ACM设计自动化会议（DAC），2018年。[日期19]