振荡增强带有反馈的库蓄水计算中的时间序列预测

Jun, 2024

振荡增强带有反馈的库蓄水计算中的时间序列预测

Oscillations enhance time-series prediction in reservoir computing with feedback

Yuji Kawai, Takashi Morita, Jihoon Park, Minoru Asada

TL;DR通过振荡驱动储层计算的反馈机制，本研究提出一种能够稳定网络活动且诱导复杂储层动力学的储层计算模型，即振荡驱动储层计算（ODRC）。ODRC 在运动定时和混沌时间序列预测任务中与传统储层计算方法相比能更准确地复现长期目标时间序列，并能从有限观测中学习到抽象生成规则。基于这种简单且计算廉价的实现所获得的显著改进，ODRC 可作为各种时间序列数据的实用模型，并可作为神经震荡及其小脑处理器的模型进行生物学探讨。

Abstract

reservoir computing, a machine learning framework used for modeling the brain, can predict temporal data with little observations and minimal computational resources. However, it is difficult to accurately reproduce the long-term target time series because the reservoir system becomes

reservoir computing oscillation-driven reservoir computing motor timing chaotic time-series prediction neural oscillations

发现论文，激发创造

一种周期时间序列预测的新型储备架构

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

机器学习实现的吸引子重构

利用名为 “储集计算” 的机器学习方法成功地进行了混沌动力系统的短期预测和吸引子重构研究。我们提出了一个理论框架，描述了储集计算可以创建具有短期预测能力和准确长期遗传行为的经验模型的条件，并通过数值实验说明了这个理论。我们还认为这个理论适用于某些其他时间序列预测的机器学习方法。

May, 2018

关于蓄水池计算及其超越传统机器学习的跨学科应用的调查

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

基于孤立波和生物灵感非线性变换的物理储层计算

利用表面流动液膜上激发的孤立波，实验证明一种物理上的储备计算系统，该系统通过对输入数据进行非线性转换来替代随机性的影响，从而作为传统储备计算算法的技术简单的硬件改进。

Jan, 2024

使用机器学习控制动态系统达到复杂目标状态：下一代与经典的储层计算

应用机器学习控制混沌参数 Lorenz 系统，研究表明下一代水库计算在数据有限的情况下可以显著优于传统水库计算，并在实际控制应用中具有进一步潜力。

Jul, 2023

注意力增强的储备计算

光子储水池计算作为加速时间序列预测的硬件实现需求的最新技术，已被广泛运用，然而在预测混沌时间序列方面，传统的储水池计算模型在准确性方面存在一定局限性，因此我们引入了一种注意力机制，用于增强储水池计算模型输出阶段的预测准确性，实验结果表明，采用注意力机制的光子储水池计算能够提高较小储水池的预测能力，这些进展凸显了储水池计算在准确预测混沌时间序列的实际应用中的变革性可能性。

Dec, 2023

多尺度储备计算学习噪声诱导的转变

利用噪声驱动的转换现象的机器学习模型，储层计算（一种递归神经网络）能够学习噪声引起的系统状态转换，通过调整关键的超参数，包括储层动力学的时间尺度，生成准确的转换时间和数量的统计数据，适用于多种系统和蛋白质折叠实验数据，表明机器学习方法可以捕捉噪声引发的现象。

Sep, 2023

深度时间延迟库隆算法：动态和存储容量

使用深度时滞水库计算的方法，通过分析条件 Lyapunov 指数和系统到分岔点的距离，调节线性和非线性记忆容量的分布，得出了高非线性或长时间线性记忆容量的系统设计。

Jun, 2020

使用储层计算器预测具有频繁相位转移的强制 Van der Pol 方程

预测具有外部驱动相位快速变化的非自治动力系统的可行性进行了研究，结果表明，尽管存在隐藏变量，但非自治动力系统仍然是可预测的，并且储层计算机可以为个体轮班工人提供更好的计划安排。

Apr, 2024

传统与新一代蓄水库计算的混合应用在动力系统精确高效预测中

基于混合模型的混沌动力系统时间序列预测方法能够提高计算效率和解决传统模型的局限性。

Mar, 2024