Abstract
Dit project bevindt zich op het snijpunt van twee veelbelovende paradigma's voor binair machinaal leren voor toekomstige intelligente randsystemen:
Binaire Neurale Netwerken (BNN) die 1-bit gebruiken voor gegevensrepresentatie voor zowel gewichten als activeringen, wat de geheugenvoetafdruk verkleint, terwijl ze ook voordeel halen uit het gebruik van binaire XNOR-bewerkingen en pop-count als alternatieven voor de dichte matrixvermenigvuldigingsbewerkingen.
Binary Hyperdimensional Computing (HDC) die gegevens voorstelt als hoogdimensionale binaire vectoren (bijv. van dimensie 10.000), hypervectoren genaamd, en binaire XOR, meerderheidssom en Hamming-afstand als bewerkingen gebruikt. HDC wordt zowel gebruikt voor patroonherkenning als voor redeneertaken, en zijn binaire varianten hebben benaderingen op hardwareniveau die resulteren in energie-efficiënte verwerking voor randapparaten.
Het doel is om hybride ensembles te maken die hoge voorspellende prestaties kunnen bereiken zonder dat dit ten koste gaat van hun lage computation footprint karakteristieken.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)