- HDCC: компилятор гиперпространственных вычислений для классификации встроенных систем и высокопроизводительных вычислений (arXiv)
Автор: Pere Vergés, Mike Heddes, Igor Nunes, Tony Givargis, Alexandru Nicolau.
Аннотация: Гиперпространственные вычисления (HDC) — это основанная на биологическом развитии вычислительная среда, которая привлекает все большее внимание, особенно как более эффективный подход к машинному обучению (ML). В этой работе представлен компилятор \name{}, первый компилятор с открытым исходным кодом, который переводит высокоуровневые описания методов классификации HDC в оптимизированный код C. Код, сгенерированный предложенным компилятором, имеет три основных свойства для встраиваемых систем и высокопроизводительных вычислений: (1) он автономен и не зависит от библиотек или платформ; (2) он поддерживает многопоточность и инструкции с одной инструкцией и несколькими данными (SIMD) с использованием встроенных функций C; (3) он оптимизирован для максимальной производительности и минимального использования памяти. \name{} спроектирован как современный компилятор с интуитивно понятным и описательным языком ввода, промежуточным представлением (IR) и переназначаемой серверной частью. Это делает \name{} ценным инструментом для исследований и приложений, изучающих HDC для задач классификации во встроенных системах и высокопроизводительных вычислениях. Чтобы обосновать эти утверждения, мы провели эксперименты с HDCC на нескольких наиболее популярных наборах данных в литературе HDC. Эксперименты проводились на четырех разных машинах, включая разные конфигурации гиперпараметров, и результаты сравнивались с популярной библиотекой прототипирования, построенной на PyTorch. Результаты показывают ускорение обучения и вывода до 132 раз, в среднем 25 раз по всем наборам данных и машинам. Что касается использования памяти, при использовании 10240-мерных гипервекторов среднее сокращение составило 5x, достигая 14x. При рассмотрении 64-мерных векторов среднее уменьшение составило 85x, при максимальном использовании памяти в 158x.
2. Последние результаты: масштабируемые и эффективные гиперпространственные вычисления для обнаружения сетевых вторжений (arXiv)
Автор: Джуняо Ван, Ханнинг Чен, Мариам Исса, Ситао Хуан, Мохсен Имани.
Аннотация: Кибербезопасность стала серьезной проблемой для отрасли. Из-за большой сложности ландшафта безопасности сложные и дорогостоящие модели глубокого обучения часто не обеспечивают своевременного обнаружения киберугроз на периферийных устройствах. Вдохновленные мозгом гиперпространственные вычисления (HDC) были представлены как многообещающее решение для решения этой проблемы. Однако существующие подходы HDC используют статические кодировщики и требуют очень высокой размерности и сотен обучающих итераций для достижения разумной точности. Это приводит к серьезной потере эффективности обучения и вызывает огромную задержку при обнаружении атак. В этой статье мы предлагаем CyberHD, инновационную среду обучения HDC, которая идентифицирует и регенерирует незначительные измерения для захвата сложных шаблонов киберугроз с заметно более низкой размерностью. Кроме того, голографическое распределение паттернов в многомерном пространстве обеспечивает CyberHD особенно высокую устойчивость к аппаратным ошибкам.
