文章预览
Resonator networks, 2: Factorization performance and capacity compared to optimization-based methods (2020). 谐振网络，2:与基于优化的方法相比的因子分解性能和容量 doi:10.1162/neco a 01329. https://direct.mit.edu/neco/article-pdf/32/12/2332/1865599/neco_a_01329.pdf 我们从三个主要方向对共振器网络进行了表征。第一个方向是解 的稳定性，我们将其与经典Hopfield网络的稳定性联系起来。第二个是我们将称为“操作容量”的基本分解能力的度量。第三个是找到分解的速度。 二次方扩展意味着，只要能够构建一个具有足够大N的共振器网络，就可以解决非常大的分解问题。 实现： 认知符号架构超维计算开源Torchhd库 GPT：共振器网络的核心优点包括： 1. **高效性**：共振器网络能够高效地分解由Hadamard积形成的复合向量，将其分解为原始的高维向量。 2. **超位置搜索**：通过在超位置中搜索，
………………………………
