論文の概要: Reservoir Computing with Noise

• arxiv url: http://arxiv.org/abs/2303.00585v1
• Date: Tue, 28 Feb 2023 17:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-02 14:20:59.557049
• Title: Reservoir Computing with Noise
• Title（参考訳）: 騒音を考慮した貯留層計算
• Authors: Chad Nathe and Chandra Pappu and Nicholas A. Mecholsky and Joseph D. Hart and Thomas Carroll and Francesco Sorrentino
• Abstract要約: 我々は,カオスシステムの状態変数間の関係を学習するために,貯水池コンピュータを使用するアプリケーションに焦点をあてる。 学習段階では入力信号に影響を及ぼす雑音の強度が、試験段階では入力信号に影響を及ぼす雑音の強度と等しくなると、貯水池の最高の性能が達成される。
• 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: This paper investigates in detail the effects of noise on the performance of reservoir computing. We focus on an application in which reservoir computers are used to learn the relationship between different state variables of a chaotic system. We recognize that noise can affect differently the training and testing phases. We find that the best performance of the reservoir is achieved when the strength of the noise that affects the input signal in the training phase equals the strength of the noise that affects the input signal in the testing phase. For all the cases we examined, we found that a good remedy to noise is to low-pass filter the input and the training/testing signals; this typically preserves the performance of the reservoir, while reducing the undesired effects of noise.
• Abstract（参考訳）: 本稿では,貯留層計算の性能に及ぼす騒音の影響について詳細に検討する。 我々は,カオスシステムの状態変数間の関係を学習するために,貯水池コンピュータを使用するアプリケーションに焦点をあてる。 ノイズがトレーニングとテストのフェーズに異なる影響を与えることは認識しています。 学習段階では入力信号に影響を及ぼす雑音の強度が、試験段階では入力信号に影響を及ぼす雑音の強度と等しくなると、貯水池の最高の性能が達成される。 検討したすべての症例について、ノイズに対する良い対策は入力と訓練・試験信号の低域通過フィルタであり、これは典型的には、望ましくないノイズの効果を低減しつつ、貯水池の性能を保ちます。

関連論文リスト

• Towards Robust Transcription: Exploring Noise Injection Strategies for Training Data Augmentation [55.752737615873464]
  本研究では,SNR(Signal-to-Noise Ratio)レベルにおける白色雑音の影響について検討した。 この研究は、様々な音環境における一貫した性能を維持する転写モデルの開発に向けた予備的な研究として、貴重な洞察を与えてくれることを願っている。
  論文  参考訳（メタデータ） (2024-10-18T02:31:36Z)
• Understanding the Effect of Noise in LLM Training Data with Algorithmic Chains of Thought [0.0]
  思考の連鎖におけるノイズが,高度に制御された環境下でのタスクパフォーマンスに与える影響について検討する。 本研究では,CoTトレース処理後に適用される局所的な雑音と,トレース処理時にエラーを伝播する大域的なノイズであるテクトダイナミックノイズの2種類を定義した。 微調整されたモデルでは、高レベルの静的ノイズに対して非常に頑健であるが、低レベルの動的ノイズに対してかなり苦労している。
  論文  参考訳（メタデータ） (2024-02-06T13:59:56Z)
• Negative Pre-aware for Noisy Cross-modal Matching [46.5591267410225]
  雑音対応は認識と修正が難しいため,クロスモーダルノイズロバスト学習は難しい課題である。 本稿では,雑音の多い下流タスクに対する大規模視覚言語モデルファインタニングのための,否定的事前認識型クロスモーダルマッチングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:52:36Z)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• Inference and Denoise: Causal Inference-based Neural Speech Enhancement [83.4641575757706]
  本研究では、雑音の存在を介入としてモデル化することにより、因果推論パラダイムにおける音声強調(SE)課題に対処する。 提案した因果推論に基づく音声強調(CISE)は,ノイズ検出器を用いて間欠雑音音声中のクリーンフレームとノイズフレームを分離し,両フレームセットを2つのマスクベース拡張モジュール(EM)に割り当て,ノイズ条件SEを実行する。
  論文  参考訳（メタデータ） (2022-11-02T15:03:50Z)
• The Effect of Non-Gaussian Noise on Auto-correlative Weak-value Amplification [3.7637002490536804]
  自動相関弱値増幅法(AWVA)における非ガウス雑音の影響について検討した。 特に、負のdB信号対雑音比、周波数定常雑音、周波数非定常雑音の2種類のノイズについて検討した。
  論文  参考訳（メタデータ） (2022-09-26T14:34:42Z)
• Evaluating the Resilience of Variational Quantum Algorithms to Leakage Noise [6.467585493563487]
  漏れノイズは、エラー訂正アプローチでは処理できないエラーの損傷源である。 このノイズが変分量子アルゴリズム(VQA)の性能に与える影響はまだ分かっていない。
  論文  参考訳（メタデータ） (2022-08-10T14:50:14Z)
• Combating Noise: Semi-supervised Learning by Region Uncertainty Quantification [55.23467274564417]
  現在の手法は、擬似ラベルによって生成されるノイズの多い領域によって容易に妨げられる。 領域の不確実性を定量化して雑音耐性半教師付き学習を提案する。 PASCAL VOCとMS COCOの併用実験により,本手法の異常な性能を実証した。
  論文  参考訳（メタデータ） (2021-11-01T13:23:42Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)
• Dynamic Layer Customization for Noise Robust Speech Emotion Recognition in Heterogeneous Condition Training [16.807298318504156]
  ノイズ条件毎に,サンプルを特殊特徴エンコーダに動的にルーティングすることで,性能を向上できることを示す。 時間的順序付けを動的にルーティングすることで,これらの改善をマルチモーダル設定に拡張する。
  論文  参考訳（メタデータ） (2020-10-21T18:07:32Z)

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。