一个超强学习算法及5大特点

高效学习算法的5大要求：

(i) 高计算效率确保实时学习 ，

(ii) 对噪声具有很强的鲁棒性——物联网的关键优势系统[5]（全息分布有显着更高的鲁棒性），以及

iii）轻量级硬件实现，可在边缘设备上高效执行推理[6]。

4 利用和适应训练过程中学到的信息的能力，动态编码模块

5 识别误导分类并降低学习准确性的维度，并重新生成它们以对学习质量产生更积极的影响

𝖣𝗂𝗌𝗍𝖧𝖣算法：

𝖣𝗂𝗌𝗍𝖧𝖣 进行两个创新步骤，top-2分类和维度再生，使其编码模块和基向量能够适应每个部分训练的模型。在top-2分类的每次迭代中， 𝖣𝗂𝗌𝗍𝖧𝖣 首先对编码数据 (B) 应用高效的自适应学习算法，然后利用部分训练的模型来计算前两个最相似的每个数据点的类 (I) 。在维度重新生成中，我们根据top-2分类的结果计算两个距离矩阵 (K) ，并识别 (N) 并消除 (Q) 误导分类的不需要的维度。为了进一步提高学习质量，我们重新生成这些维度 (P) 以对分类产生更积极的影响。请注意，本节中的所有操作都可以以高度并行的矩阵方式完成，因为多个训练样本可以分组为行超向量矩阵。

自适应学习：

较小的 𝛿𝑙 表示模型中不常见或尚不存在的明显新模式，会使用较大的因子 ( 1−𝛿𝑙≈1 ) 更新模型。

III-C维度再生

利用那些被分类为部分正确和不正确的数据点来选择不需要的维度 ( )。如算法 2 所示

维度重新生成：为了提高分类准确性， 𝖣𝗂𝗌𝗍𝖧𝖣 会重新生成那些选择删除 (N) 的维度，以便新维度可能对分类产生更积极的影响并更好地区分模式。

较大的 𝛼 值通过降低数据样本未分类到其真实标签的概率（即假阴性率 (FNR)）来提供更敏感的结果。相反，较大的 𝛽 和 𝜃 值可降低数据样本被分类到错误类别的概率（即误报率 (FPR)），从而提供更具特异性的结果。从数学上讲，灵敏度和特异性定义为：

𝖣𝗂𝗌𝗍𝖧𝖣 ，一个准确、高效、鲁棒的HDC学习框架。通过强大的动态编码技术， 𝖣𝗂𝗌𝗍𝖧𝖣 识别并重新生成误导分类并降低学习准确性的维度。我们对各种机器学习数据集的评估表明， 𝖣𝗂𝗌𝗍𝖧𝖣 比 SOTA HDC 算法平均提供 2.12% 更高的准确度，并将维度降低 8.0× 。它在训练和推理效率方面也显着优于 SOTA DNN 和 HDC。此外，高维空间中模式的全息分布为 𝖣𝗂𝗌𝗍𝖧𝖣 提供了 12.90× 比 SOTA DNN 更高的鲁棒性。 𝖣𝗂𝗌𝗍𝖧𝖣 的性能使其成为边缘平台的出色解决方案。

https://arxiv.org/abs/2304.05503

https://github.com/jwang235/DistHD