論文の概要: Exploring the limits of multifunctionality across different reservoir computers

• arxiv url: http://arxiv.org/abs/2205.11375v1
• Date: Mon, 23 May 2022 15:06:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 01:28:00.609288
• Title: Exploring the limits of multifunctionality across different reservoir computers
• Title（参考訳）: 異なるリザーバコンピュータにおける多機能性限界の探索
• Authors: Andrew Flynn, Oliver Heilmann, Daniel K\"oglmayr, Vassilios A. Tsachouridis, Christoph R\"ath, and Andreas Amann
• Abstract要約: 連続時間, リークインテグレータ, 次世代貯水池コンピュータ(RC)の性能について検討する 我々は各RCを訓練し、異なる力学系からのカオス的誘引器の共存を再構築する。 多機能性を達成するために,各RCにおいて特定のパラメータが持つ重要な効果について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multifunctional neural networks are capable of performing more than one task without changing any network connections. In this paper we explore the performance of a continuous-time, leaky-integrator, and next-generation `reservoir computer' (RC), when trained on tasks which test the limits of multifunctionality. In the first task we train each RC to reconstruct a coexistence of chaotic attractors from different dynamical systems. By moving the data describing these attractors closer together, we find that the extent to which each RC can reconstruct both attractors diminishes as they begin to overlap in state space. In order to provide a greater understanding of this inhibiting effect, in the second task we train each RC to reconstruct a coexistence of two circular orbits which differ only in the direction of rotation. We examine the critical effects that certain parameters can have in each RC to achieve multifunctionality in this extreme case of completely overlapping training data.
• Abstract（参考訳）: 多機能ニューラルネットワークは、ネットワーク接続を変更することなく複数のタスクを実行することができる。 本稿では,多機能性の限界をテストするタスクにおいて,連続時間,リークインテグレータ,次世代'Reservoir Computer'(RC)の性能について検討する。 最初のタスクでは、各RCをトレーニングし、異なる力学系からのカオス的引き付け子の共存を再構築する。 これらのアトラクタを記述するデータを互いに近づけることで、各RCが両方のアトラクタを再構築できる範囲は、状態空間内で重なり始めるにつれて減少する。 この抑制効果をより深く理解するために、第2のタスクでは、各rcを訓練して、回転方向のみが異なる2つの円形軌道の共存を再構築する。 この極端に重なり合うトレーニングデータにおいて、各RCにおいて特定のパラメータが持つ重要な影響を多機能化するために検討する。

関連論文リスト

• Reinforcement Learning with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,行動列上のQ値を出力する批判ネットワークを学習する新しいRLアルゴリズムを提案する。 提案アルゴリズムは,現在および将来の一連の行動の実行結果を学習するために値関数を明示的に訓練することにより,ノイズのある軌道から有用な値関数を学習することができる。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• Exploring the origins of switching dynamics in a multifunctional reservoir computer [0.0]
  貯水池コンピュータ(RC)は、同じ訓練された重量のセットを使用して、同時に複数のアトラクションを再構築する。 ある場合、RCが引き金の共存を再構築できなかった場合、転移性を示す。 本稿では,これらスイッチングダイナミクスの起源を,両立問題によるパラダイム設定で考察する。
  論文  参考訳（メタデータ） (2024-08-27T20:51:48Z)
• Multifunctionality in a Connectome-Based Reservoir Computer [0.0]
  FFRC (fruit fly RC) はベンチマークテストとして'seeing double' 問題を用いて多機能性を示す。 広く使われているErd"os-Renyi Reservoir Computer (ERRC)と比較して,FFRCは多機能性に優れた能力を示す。
  論文  参考訳（メタデータ） (2023-06-02T19:37:38Z)
• Seeing double with a multifunctional reservoir computer [0.0]
  多機能生物学的ニューラルネットワークは、ネットワーク特性を変更することなく複数のタスクを実行するために、マルチスタビリティを利用する。 本研究では, 貯水池コンピュータが, 相互に重なり合う場合のアトラクタの共存を再構築する方法について検討する。 分岐解析は、RCがカオス状態に入ると多機能性がどのように出現し、破壊されるかを明らかにする。
  論文  参考訳（メタデータ） (2023-05-09T23:10:29Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)
• Centralizing State-Values in Dueling Networks for Multi-Robot Reinforcement Learning Mapless Navigation [87.85646257351212]
  本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。 この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。 我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:47:00Z)
• Multi-task Over-the-Air Federated Learning: A Non-Orthogonal Transmission Approach [52.85647632037537]
  複数の学習タスクがエッジサーバ(ES)の協調の下でデータ収集および学習モデルのためのエッジデバイスを共有するマルチタスク・オーバーテア・フェデレーション・ラーニング(MOAFL)フレームワークを提案する。 収束解析と数値計算の両方の結果から,MOAFLフレームワークは学習性能を著しく低下させることなく,複数のタスクのアップリンク帯域幅の消費を大幅に削減できることが示された。
  論文  参考訳（メタデータ） (2021-06-27T13:09:32Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• A Framework for Automatic Behavior Generation in Multi-Function Swarms [1.290382979353427]
  マルチファンクションスワムにおける自動行動生成のためのフレームワークを提案する。 フレームワークは3つの同時タスクでシナリオ上でテストされる。 MAP-elitesの挙動特性に及ぼすノイズの影響について検討した。
  論文  参考訳（メタデータ） (2020-07-11T20:50:52Z)

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。