仅考虑 的向量表示，MAP 的操作
随机 HV 生成
Item Memory (IM) 存储了随机生成的 HV
后来提出，可以用 CA 来避免这个存储开销。
不同类别的 HV
Hyperdimensional Biosignal Processing: A Case Study for EMG-based Hand Gesture Recognition
提出一种连续级别的随机向量产生方法 CiM
cirlar hv
编码表示
输入数据的转换
A Programmable Hyper-Dimensional Processor Architecture for Human-Centric IoT
主要是两种：n-gram Sequence Encoding 和 Feature Superposition 相当于结合了时/空编码 对 permutation 可以优化
Tip
操作
-
MAP
-
性能 - accuracy, precision, recall 对序列预测问题效果好，而且存储、操作开销小很多 对任意预测问题，结合 HDC ML/DL 或许更好
-
开销 - training time, inference time, parameter size
具体应用
A Programmable Hyper-Dimensional Processor Architecture for Human-Centric IoT
Hyper-Dimensional Computing Challenges and Opportunities for AI Applications
目前有的数据集和实验
实验
最基本的逻辑推理：USA-DOl → CHN-RMB
Warning
python 实验的 bundle 操作直接累加，输出的 HV 元素不再是 {-1, 1} HW 需要考虑量化
数据集
ISOLET
https://archive.ics.uci.edu/dataset/54/isolet
2 D 图像
MNIST 训练、测试数量：6000, 1000。类别： 0-9 数字，10 种
FASHION-MNIST 训练、测试数量：6000, 1000。类别：不同的服装， 10 种
EMG-hand-gesture
Language Geometry using Random Indexing 21 European Language
Empirical 类别：8 种，包括 fungi plant kngdoms。 inga: simulated:
数据向量化
图像
对一个 channel，输入数据 flatten 为一个长 的序列，每个像素量化到 。 构造 HV input stream of symbols: ，projected to every position is projected to: AM:
实验
MNIST/ FashionMNIST
目前的准确率只有 70%左右。
设计硬件，对 MNIST 进行测试。搭建测试环境。 问题：量化和训练。
可以有两种量化方法：
- O 首先对一个 sample 量化，然后 train （以及可能的 retrain）之后，统一量化。
- 或者在 train（possible retrain）之后一次量化。
For one sample has HVs, the training set has samples.
- Method 1:
可能的改进
应用
- 对于图像识别，HDC 还做不到 yolo 那样的快速、全局，算法和硬件协同改进，能结合多种效果，如同时定位、分类。
- 或者，专注高效的领域 1 D
few-shot learning
问题
- 对特征的表示，全局
- 统一的 HDC 框架？HDC 对信息的表示、操作方式是多样的，可能不光是 -1, 1 的表示
- 实际的任务，分类，如果需要所有的 AM 的需求
- 生物、few shot learning 的应用
- 定量的评估 HDC 对误差的容忍率，比如图片有雾；安全，基于超维向量，向量在训练、查询时是不变的，但是有些领域，
- 硬件实时性在车、航空领域；新兴的计算范式，对比 CNN
- 理想的全面的 HDC 加速器架构应该是什么样的，支持 HDC 和其他处理，图像和语音、DNA 序列的编码方式不同。
HW
- 可重构。更通用的加速器，能实现不同类型任务（DNA/image/language recognition/ExG）的 on-chip learning，需要可重构
- 实时。对实时敏感的应用，autonomouts vehicle，无法容忍网络延时；security and privacy；网络运输的额外功耗、资源开销。
- 能效。对 HV 数据表示的存储压缩，使得有更高计算效率
原理上，HDC 和 AI 的本质，探索新的模式
应用上，HDC
目标：
可重构/编程：
需要更少的训练数据，one-shot learning
重训练：适应个体差异、场景差异；对性能的提升是明显的
低功耗、实时：边缘场景、实时性要求高
目标
- 应用级别的可重构，以满足现实多样的需求，1D 和 2D 不同的编码方式；易于使用，不需要额外编译或 pragma，只需要调用扩展指令。
- 用于边缘计算的 few-shot learning，降低功耗，减少延时。
现有工作
Fully Learnable Hyperdimensional Computing Framework With Ultratiny Accelerator for Edge-Side Applications