22、超向量模式与LearnDiag诊断算法解析

超向量模式与LearnDiag诊断算法解析

超向量模式

研究背景与目标

在相关研究中，提出了使用超向量和向量符号架构（VSAs）对模式进行编码的概念，旨在解决一些现有模式网络存在的局限性。研究的一个重要目标是在无噪声环境下，基于CAP表示的相似性来实现模式的召回，同时还要验证系统在存在噪声的输入数据下寻找正确模式的鲁棒性。

实验设置

为了初步评估系统对噪声的鲁棒性，进行了如下实验：
- 对象创建 ：模拟了一个包含5000个随机创建对象的环境。每个对象有1 - 30个属性，这些属性是从100种不同的属性类型（如颜色、形状、是否可触摸等）中随机选择的，且所有属性值都是随机选取的。
- 模式定义 ：有1000个先验已知的模式。每个模式由上述对象中的一个、从50个随机选择的动作中选取的一个、1 - 20个其他随机选择的对象组成的邻域以及一个随机选择的结果构成。所有的随机分布都是均匀分布。

噪声影响与结果

通过向对象属性的超向量编码中添加零均值高斯分布的随机样本引入噪声，并且改变噪声的标准差。实验结果如图2所示，噪声影响后的CAP与真实模式之间的距离会随着噪声的增加而平稳增大，这表明对象属性的噪声越大，模式的适用性越低。同时，红色曲线展示了与最相似的错误模式之间的距离，用于对比参考。

实验结果的表格展示

实验参数	详情