論文の概要: Adaptive model selection in photonic reservoir computing by
reinforcement learning
- arxiv url: http://arxiv.org/abs/2004.12575v1
- Date: Mon, 27 Apr 2020 03:54:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 06:14:07.963233
- Title: Adaptive model selection in photonic reservoir computing by
reinforcement learning
- Title(参考訳): 強化学習によるフォトニック貯水池計算における適応モデル選択
- Authors: Kazutaka Kanno, Makoto Naruse and Atsushi Uchida
- Abstract要約: フォトニック貯水池コンピューティングは、ノイマン計算の先進的な技術である。
強化学習を用いたフォトニック貯水池計算における適応モデル選択手法を提案する。
この研究は、フォトニック人工知能における自律的行動の道を開くものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Photonic reservoir computing is an emergent technology toward beyond-Neumann
computing. Although photonic reservoir computing provides superior performance
in environments whose characteristics are coincident with the training datasets
for the reservoir, the performance is significantly degraded if these
characteristics deviate from the original knowledge used in the training phase.
Here, we propose a scheme of adaptive model selection in photonic reservoir
computing using reinforcement learning. In this scheme, a temporal waveform is
generated by different dynamic source models that change over time. The system
autonomously identifies the best source model for the task of time series
prediction using photonic reservoir computing and reinforcement learning. We
prepare two types of output weights for the source models, and the system
adaptively selected the correct model using reinforcement learning, where the
prediction errors are associated with rewards. We succeed in adaptive model
selection when the source signal is temporally mixed, having originally been
generated by two different dynamic system models, as well as when the signal is
a mixture from the same model but with different parameter values. This study
paves the way for autonomous behavior in photonic artificial intelligence and
could lead to new applications in load forecasting and multi-objective control,
where frequent environment changes are expected.
- Abstract(参考訳): フォトニック貯水池コンピューティングは、ノイマン計算の先進的な技術である。
フォトニック貯水池計算は、貯水池のトレーニングデータセットと特性が一致する環境において優れた性能を提供するが、これらの特性がトレーニングフェーズで使用される元の知識から逸脱した場合、性能は著しく低下する。
本稿では,強化学習を用いたフォトニック貯水池計算における適応モデル選択手法を提案する。
このスキームでは、時間とともに変化する異なる動的ソースモデルによって時間波形が生成される。
本システムは,フォトニック貯水池計算と強化学習を用いた時系列予測作業において,最適な情報源モデルを自律的に同定する。
そこで本研究では,情報源モデルの出力重みを2種類用意し,予測誤差と報酬の相関関係を持つ強化学習を用いて,適切なモデルを適応的に選択する。
我々は、原信号が時間的に混合され、元々は2つの異なる力学系モデルによって生成され、同時に信号が同一モデルから混合されているがパラメータ値が異なる場合、適応モデル選択に成功している。
本研究は、フォトニック人工知能における自律的行動の道筋を解明し、頻繁な環境変化を期待する負荷予測と多目的制御の新しい応用につながる可能性がある。
関連論文リスト
- Diffusion-Model-Assisted Supervised Learning of Generative Models for
Density Estimation [10.793646707711442]
本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。
スコアベース拡散モデルを用いてラベル付きデータを生成する。
ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
論文 参考訳(メタデータ) (2023-10-22T23:56:19Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳(メタデータ) (2023-04-20T19:15:02Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Model Selection, Adaptation, and Combination for Deep Transfer Learning
through Neural Networks in Renewable Energies [5.953831950062808]
再生可能電力予測におけるモデル選択と伝達学習の適応のための最初の徹底的な実験を行う。
異なる季節のデータに基づくモデルを採用し、トレーニングデータの量を制限する。
複数のモデルをアンサンブルで組み合わせることで、モデル選択と適応のアプローチが大幅に改善されることを示す。
論文 参考訳(メタデータ) (2022-04-28T05:34:50Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳(メタデータ) (2022-02-25T20:00:56Z) - Reservoir Computing with Diverse Timescales for Prediction of Multiscale
Dynamics [5.172455794487599]
異種リークインテグレータニューロンのリカレントネットワークを用いて,様々な時間スケールの貯水池計算モデルを提案する。
高速なカオス力学系を用いた予測タスクにおいて、提案モデルが既存の標準モデルよりも高いポテンシャルを持つことを示す。
本分析により, 対象力学の各成分の生成に必要な時間尺度は, モデルトレーニングにより, 貯水池力学から適切な, 柔軟に選択されることが明らかとなった。
論文 参考訳(メタデータ) (2021-08-21T06:52:21Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Supervised Learning in the Presence of Concept Drift: A modelling
framework [5.22609266390809]
非定常環境における教師あり学習の研究のためのモデリングフレームワークを提案する。
学習システムの例として、分類のためのプロトタイプベースの学習ベクトル量子化(LVQ)と回帰タスクのための浅層ニューラルネットワークをモデル化する。
論文 参考訳(メタデータ) (2020-05-21T09:13:58Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。