具体来说，是他们最新的实现。
http://www.numenta.com/htm-overview/htm-algorithms.php
本质上，我在问的是，当前的算法是否能有效推断出非欧几里得关系，或者是超过输入维度的模式关系？
HTM在分析模式时使用欧几里得几何来确定“邻居关系”。持续的输入框架使算法表现出预测行为，序列长度实际上是无限的。这个算法学习得非常好——但我想知道它是否有能力从输入数据中推断出非线性属性。
例如，如果你输入了古腾堡计划的全部文本，它将捕捉到构成英语拼写、语法和主题内容中显而易见的特征（如词语的性别关联等）的一套概率规则。这些是一级“线性”关系，可以用逻辑网络中的概率轻松定义。
非线性关系将是假设和含义的关联，例如“时间飞逝如箭，果蝇喜欢香蕉。”如果正确框架，句子的歧义会导致对句子的预测性解释，生成多种可能的含义。
如果算法能够“理解”非线性关系，那么它应该能够处理第一句话并正确识别“时间飞逝”是指时间在做某事，而“果蝇”是一种昆虫。
这个问题的答案可能很容易找到，但我无法决定。将输入映射到统一的、二维的欧几里得平面是否排除了数据的非线性属性的关联？
如果它不阻止非线性关联，我的假设则是你可以简单地改变分辨率、重复和其他输入属性来自动发现非线性关系——实际上，给算法添加一个“更努力思考”的过程。
回答：
据我对HTM的理解，其层和列的结构模仿了新皮层的结构。参见此处附录B：http://www.numenta.com/htm-overview/education/HTM_CorticalLearningAlgorithms.pdf
所以简短的回答是，既然大脑可以用这种结构理解非线性现象，那么HTM也可以。
初始的、即时的感官输入确实被映射到HTM内的二维区域。这并不限制HTM只能处理二维表示，就像一维的比特串不只限于表示一维事物一样。这只是一种编码方式，以便形成稀疏分布的表示并利用其效率。
关于古腾堡计划的问题，我的看法是HTM在没有首先理解语言所基于的物理世界并为其创建符号之前，不太可能真正理解语言。尽管如此，这对于HTM来说是一个非常有趣的序列，因为预测只在一个方向上进行，而对果蝇发生什么的理解是逆向的。即，我看到“flies like a”的模式，并假设这个短语对果蝇的应用方式与对时间的应用方式相同。HTM确实会在更高层次上将后续输入（在这种情况下是词语）组合在一起，所以如果你使用了Davide Maltoni证明有效的模糊分组（或许），句子的两部分可以被组合成相同的高等级表示，并向下发送反馈，链接这两个特定的句子。据我所知，努门塔在反馈消息方面还没有做太多，但这绝对是理论的一部分。
