本研究解决了新兴计算范式中数据编码的关键问题，特别是在随机计算和超维计算中的应用。通过低差异序列编码策略，提高了系统的准确性和效率，降低了硬件复杂性，促进了人工智能的高效实施。

本文提出了一种结合超维计算与概念空间理论的方法，以填补类比推理的研究空白。研究表明，该方法在基于分类和属性的类比推理中展现出潜在的语义理解能力。

本文介绍了多种基于超维计算和时间序列数据的新方法，如Tsetlin Machines、HDC-MiniROCKET、SCNN和SutraNets。这些方法在分类、预测和特征提取方面表现优异，尤其在处理高维数据和复杂时间序列时，显著提高了预测准确性和可解释性。

超维计算（HDC）利用超向量模拟大脑高效处理信息，研究涵盖内存计算、机器人场所识别、机器学习和网络威胁检测。进展包括：用相变存储器件实现高精度内存计算；提出CyberHD框架捕捉威胁模式；开发编译器工具将高级描述转为优化C代码，训练推断提速25至132倍，内存减少5至158倍；轻量编码方法在MNIST达97.35%准确率；聚类算法提升精度。

HyperSeg是一种基于超维计算的无监督对话主题分割方法，通过生成丰富的词元表示，在话题分割和摘要任务中取得了显著的性能提升。

本文介绍了一种将脉冲神经网络与超维计算相结合的创新控制任务方法HyperSNN，通过整数加法替代浮点乘法，降低能源消耗，提高鲁棒性和准确性。在AI Gym基准测试中，HyperSNN的控制精度与传统机器学习方法相当，但能量消耗仅为1.36%到9.96%。此外，HyperSNN适用于交互式、移动和可穿戴设备，具有更强的鲁棒性，促进了能效和鲁棒系统设计的发展。