ReservoirComputing.jl: 一种高效模块化的库,用于 Reservoir Computing 模型
评估方法、基准任务和计算能力是无常规计算的沉积模型中的关键研究领域,对于这些系统的评估具有挑战性。本文回顾和批评了 Reservoir Computing 领域中使用的评估方法,提出了一种基准任务分类,回顾了多个应用于 Reservoir Computing 的基准任务的例子,并指出了其优缺点。我们提出了改进基准任务及其使用方式以造福 Reservoir Computing 社区的建议。
May, 2024
该论文研究了随机库容计算机的普适性,证明了具有随机特性的库容计算机是一种普遍的逼近类,并通过两个实际应用示例展示了其在分类和混沌时间序列预测方面相对确定性库容计算机的高性能。
May, 2024
本文提出了新的几何解释,解释了库沃塞蓝计算的现象,将其构建为强普适性水库系统;随机投影所有状态空间系统的家族,以产生 Volterra 级数扩展,生成随机系数的状态仿射水库系统能够通过为每个不同的滤波器训练一个不同的线性输出来近似任何消退存储过滤器类中的元素。
Sep, 2020
该综述通过将物理沉积池按类型分类,概述了近期物理沉积池计算的进展,并讨论了与物理沉积池计算相关的当前问题和前景,以进一步扩展其实际应用和开发下一代机器学习系统。
Aug, 2018
提出了一种基于无限维状态空间系统积分表示的读出特性的新概念类,它具有较强的实用性和通用近似性质,其中利用了随机生成的线性或 ReLU 激活函数的回声状态网络,并以仅训练输出层的随机神经网络为基础构建读出模型,所得到的结果是具有证明收敛性保证的可全面实现的递归神经网络学习算法,不受维度灾难影响。
Apr, 2023
本文介绍了一种基于储层计算的新方法,用于预测周期性时间序列,特别适用于生成音乐节奏等需要精确预测节奏的任务。我们的方法利用储层计算,并以预测人类节奏感知为最终目标。我们的网络准确地预测人类频率感知范围内的节奏信号。模型结构包含主要和中间神经元,用于捕捉和传递节奏信息。两个参数矩阵 c 和 k 调节储层的动态特性。我们提出了一个损失函数来调整训练后的 c,并引入了一种动态选择机制来调整 k,以便关注具有杰出贡献的区域。在多样化的测试集上的实验结果展示了准确的预测,并通过实时调整储层的 c 和 k 进一步提高了预测性能。比较评估结果显示其相对于传统模型具有更出色的性能。
May, 2024
储备计算(RC)是一种递归神经网络,通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力,可在各种应用中生成适当的响应。RC 的研究领域涉及机器学习、物理学、生物学和神经科学,可应用于物理硬件和生物设备的复杂动力学实现及对大脑机制的理解。本文对 RC 的发展进行了综合回顾,包括模型、应用和脑机制的建模,并提供了储备设计、编码框架统一、物理实现以及与认知神经科学和进化之间的相互作用等新视角。
Jul, 2023
我们引入了一种量子 RC 系统,利用共振腔中的受探测原子的动力学,提出的量子储层可以使用较少的人工神经元进行快速可靠的预测,理论上验证了储层的操作并展示了在计算和能源资源有限的条件下使用近似计算方法进行可行预测的潜力。
Mar, 2024
本研究提出了一种新颖的算法,通过使用元胞自动机模型来优化沉积计算在时间序列应用中的设计。除了选择模型的超参数外,该算法特别解决了线性元胞自动机规则选择的问题。该选择方法在指数级规则空间中仅预先选择了少数有前景的候选规则。当应用于相关基准数据集时,所选规则的误差较低,最佳规则在总规则空间的前 5%。该算法基于对线性元胞自动机属性的数学分析开发,并通过近一百万次实验支持,累计运行时间接近一年。与其他先进的时间序列模型相比,与使用元胞自动机模型的沉积计算相比具有较低的计算复杂度和较低的误差。因此,我们的方法将培训和超参数优化所需的时间减少了数个数量级。
Aug, 2023
基于广义输出的储层计算框架利用非线性动力学实现重要的信息处理能力,同时保持了储层计算的低成本和线性学习框架的优势,并在预测混沌系统、提取有用基函数等方面取得了显著的精度和鲁棒性的提高。
May, 2024