Гiпервимiрнi обчислення (HDC) є потужною алгоритмiчною платформою, що поєднує пiдходи символьного та нейромережевого штучного iнтелекту. Зокрема, HDC привертає значну увагу як перспективний кандидат для задач машинного навчання з низькими ресурсами, наприклад, у носимих пристроях iнтернету речей. Для розв’язання класифiкацiйних задач HDC перетворює вхiднi данi у високовимiрний простiр i використовує простi покомпонентнi векторнi операцiї для створення, навчання та застосування класифiкацiйної моделi. Хоча класична модель центроїда часто використовується в HDC, iтеративне оновлення центроїдiв помилково класифiкованими зразками покращує точнiсть класифiкацiї. У цiй роботi досліджено, як навчання центроїдiв, що ґрунтується на рiвнi довiри до класифiкацiї, додатково пiдвищує точнiсть класифiкацiї, застосовуючи велику та рiзноманiтну колекцiю з 121 набору даних UCI.