[发明专利]存储推理程序的计算机可读记录介质以及推理方法

说明书

公开了存储推理程序的计算机可读记录介质以及推理方法。非暂态计算机可读记录介质存储用于使计算机执行以下处理的推理程序，所述处理包括：通过将数据片输入至神经网络来提取该数据片的特征；基于所提取的特征生成超维向量；以及将所生成的超维向量存储在存储单元中，其中超维向量与数据片的标签相关联。

技术领域

本文讨论的实施方式涉及存储推理程序的计算机可读记录介质以及推理方法。

背景技术

如今，神经网络(NN)被积极地用于图像识别和其他领域。例如，通过使用深度学习(DL)来显著提高图像识别的准确性。

作为相关技术，例如，存在一种用于面部识别的技术，在该技术中使用神经网络将面部的图像变换成高维向量，并且将该高维向量距新的面部的距离与经训练面部的参考向量集合进行比较。

另外，作为相关技术，存在作为专注于大脑中的信息表达的非冯诺依曼计算技术之一的超维计算(hyperdimensional computing，HDC)。

相关技术的示例包括如下：日本公开特许公报第2019-165431号。

相关技术的示例还包括如下：Kanerva,P，“Hyperdimensional Computing:AnIntroduction to Computing in Distributed Representation with High-DimensionalRandom Vectors”，Cognitive Computation，卷1，第2期，第139至159页，2009。

发明内容

[技术问题]

由于通过学习获得的知识被包括在NN中，所以NN存在所获得的知识不清楚的问题。在当今的计算中，可以使用DL进行分析和推理。然而，为了实现更接近人类智能的智能计算，重要的是利用知识，并且阐明并存储通过NN获得的知识是对知识进行利用的前提。

在一方面，本实施方式的目的是阐明并存储通过NN获得的知识。

[问题的解决方案]

根据实施方式的一方面，提供了一种非暂态计算机可读记录介质，其存储用于使计算机执行以下处理的推理程序。在示例中，所述处理包括：通过将数据片(a piece ofdata)输入至神经网络来提取该数据片的一个或更多个特征；基于所提取的一个或更多个特征生成超维向量；以及将所生成的超维向量存储在存储单元中，其中超维向量与数据片的标签相关联。

[发明的有益效果]

在该方面，本公开内容可以阐明并存储通过NN获得的知识。

附图说明

图1是用于说明由根据实施方式的推理设备执行的推理的图；

图2A和图2B示出了用于说明HV的图；

图3示出了通过相加获得的集合的表示示例；

图4是用于说明HDC中的学习和推理的图；

图5是用于说明根据实施方式的推理设备的多模态能力的图；

图6是用于说明根据使用属性HV的实施方式的推理设备的多模态能力的图；

图7示出了根据实施方式的推理设备的多模态能力的示例；

图8示出了根据实施方式的推理设备的功能配置；

图9A示出了短期学习；

图9B示出了中期学习；

图9C示出了长期学习；

图10是示出由推理设备执行的学习阶段中的处理的流程的流程图；