論文の概要: ReLiCADA -- Reservoir Computing using Linear Cellular Automata Design
Algorithm
- arxiv url: http://arxiv.org/abs/2308.11522v1
- Date: Tue, 22 Aug 2023 15:52:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 17:30:07.315292
- Title: ReLiCADA -- Reservoir Computing using Linear Cellular Automata Design
Algorithm
- Title(参考訳): relicada --線形セルオートマトン設計アルゴリズムを用いた貯留層計算
- Authors: Jonas Kantic and Fabian C. Legl and Walter Stechele and Jakob Hermann
- Abstract要約: セルラーオートマタモデルを用いた貯留層計算の設計を最適化する新しいアルゴリズムを提案する。
提案アルゴリズムは、指数関数的に増加する規則空間から、いくつかの有望な候補規則を事前に選択する。
選択されたルールは低いエラーを発生させ、最も優れたルールはルール全体の上位5%を占める。
- 参考スコア(独自算出の注目度): 1.53214878624153
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a novel algorithm to optimize the design of
Reservoir Computing using Cellular Automata models for time series
applications. Besides selecting the models' hyperparameters, the proposed
algorithm particularly solves the open problem of linear Cellular Automaton
rule selection. The selection method pre-selects only a few promising candidate
rules out of an exponentially growing rule space. When applied to relevant
benchmark datasets, the selected rules achieve low errors, with the best rules
being among the top 5% of the overall rule space. The algorithm was developed
based on mathematical analysis of linear Cellular Automaton properties and is
backed by almost one million experiments, adding up to a computational runtime
of nearly one year. Comparisons to other state-of-the-art time series models
show that the proposed Reservoir Computing using Cellular Automata models have
lower computational complexity, at the same time, achieve lower errors. Hence,
our approach reduces the time needed for training and hyperparameter
optimization by up to several orders of magnitude.
- Abstract(参考訳): 本稿では,時系列アプリケーションのためのセルオートマトンモデルを用いた貯留層計算の設計を最適化する新しいアルゴリズムを提案する。
モデルのハイパーパラメータの選択に加えて、提案アルゴリズムは特に線形セルオートマトン規則の選択のオープンな問題を解く。
選択方法は、指数的に増加する規則空間から、有望なルールをほんの数個だけ事前選択する。
関連するベンチマークデータセットに適用すると、選択されたルールは低いエラーを発生し、最高のルールはルール全体の上位5%に入る。
このアルゴリズムは線形セルラーオートマトン特性の数学的解析に基づいて開発され、100万近い実験によって支援され、1年近い計算ランタイムが加わった。
他の最先端の時系列モデルと比較すると、セルラーオートマタモデルを用いたReservoir Computingは計算複雑性が低く、同時にエラーも低いことが示されている。
したがって、トレーニングやハイパーパラメータ最適化に要する時間を最大数桁削減できる。
関連論文リスト
- Learning the Positions in CountSketch [49.57951567374372]
本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。
本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-11T07:28:35Z) - Efficient distributed representations with linear-time attention scores normalization [3.8673630752805437]
本研究では,有界ノルムを持つ埋め込みベクトルに対するアテンションスコア正規化定数の線形時間近似を提案する。
推定公式の精度は、競合するカーネルメソッドを桁違いに上回る。
提案アルゴリズムは高度に解釈可能であり,任意の埋め込み問題に容易に適応できる。
論文 参考訳(メタデータ) (2023-03-30T15:48:26Z) - Algorithms for perturbative analysis and simulation of quantum dynamics [0.0]
我々はダイソン級数とマグナス展開の両方を計算・利用するための汎用アルゴリズムを開発した。
モデルパラメータ空間の領域における忠実度を近似するためにこれらのツールの使い方を実証する。
計算前のステップを,元法よりも少ない項数で多変数展開問題と表現できることを示す。
論文 参考訳(メタデータ) (2022-10-20T21:07:47Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳(メタデータ) (2021-09-13T18:10:52Z) - Algorithmic Solution for Systems of Linear Equations, in
$\mathcal{O}(mn)$ time [0.0]
方程式の線形系の探索解を超高速に求める新しいアルゴリズムを提案する。
実行時間は最先端のメソッドと比較して非常に短い。
この論文はアルゴリズム収束の理論的証明も含んでいる。
論文 参考訳(メタデータ) (2021-04-26T13:40:31Z) - Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。
我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文 参考訳(メタデータ) (2020-04-23T05:00:21Z) - Linear time dynamic programming for the exact path of optimal models
selected from a finite set [0.38073142980732994]
本稿では,動的プログラミングアルゴリズムを用いて,ブレークポイントを線形時間で計算できることを示す。
点検出問題に対する実証的な結果から,精度と速度の向上が示された。
論文 参考訳(メタデータ) (2020-03-05T18:16:58Z) - Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。
我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。
得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文 参考訳(メタデータ) (2020-02-21T17:45:32Z) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳(メタデータ) (2020-02-20T10:50:58Z) - Deep combinatorial optimisation for optimal stopping time problems :
application to swing options pricing [0.0]
ニューラルネットワークと離散確率変数のランダム化を用いた新しい計算制御法を提案し, 最適停止時間問題に適用した。
提案アルゴリズムは、古典的アルゴリズムでは不可能なような、高次元のアメリカンとスイングのオプションを妥当な時間で価格設定することに成功している。
論文 参考訳(メタデータ) (2020-01-30T10:39:20Z) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳(メタデータ) (2020-01-12T09:42:19Z)
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。