論文の概要: Mathematical structure of perfect predictive reservoir computing for autoregressive type of time series data

• arxiv url: http://arxiv.org/abs/2310.00290v1
• Date: Sat, 30 Sep 2023 07:46:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 05:20:10.098843
• Title: Mathematical structure of perfect predictive reservoir computing for autoregressive type of time series data
• Title（参考訳）: 自己回帰型時系列データに対する完全予測型貯留層計算の数学的構造
• Authors: Tsuyoshi Yoneda
• Abstract要約: RCニューラルネットワークの数学的構造の研究は、最近始まったばかりである。 RCニューラルネットワークにおける入力および繰り返し重み行列の隠れ構造を明らかにする。 これらの構造は,ARタイプの時系列データの予測に最適であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reservoir Computing (RC) is a type of recursive neural network (RNN), and there can be no doubt that the RC will be more and more widely used for building future prediction models for time-series data, with low training cost, high speed and high computational power. However, research into the mathematical structure of RC neural networks has only recently begun. Bollt (2021) clarified the necessity of the autoregressive (AR) model for gaining the insight into the mathematical structure of RC neural networks, and indicated that the Wold decomposition theorem is the milestone for understanding of these. Keeping this celebrated result in mind, in this paper, we clarify hidden structures of input and recurrent weight matrices in RC neural networks, and show that such structures attain perfect prediction for the AR type of time series data.
• Abstract（参考訳）: Reservoir Computing(RC)は再帰的ニューラルネットワーク(RNN)の一種であり、RCがトレーニングコストが低く、高速で計算能力の高い時系列データの将来の予測モデルを構築するために、より広く使われるようになることは疑いない。 しかし,rcニューラルネットワークの数学的構造に関する研究が最近始まったばかりである。 Bollt (2021) は、RCニューラルネットワークの数学的構造に関する洞察を得るために自己回帰(AR)モデルの必要性を明らかにし、Wold分解定理がこれらの理解のマイルストーンであることを示した。 そこで本研究では,rcニューラルネットワークにおける入力重み行列と再帰重み行列の隠れた構造を念頭に置いて,これらの構造がar型時系列データの完全な予測を実現することを示す。

関連論文リスト

• Peri-midFormer: Periodic Pyramid Transformer for Time Series Analysis [18.576473875972717]
  時系列分析は、天気予報、異常検出、行動認識などの分野に広く応用されている。 従来の手法では1次元時系列を用いて時間変動を直接モデル化する試みがあった。 提案するPeri-midFormerは,5つの主流時系列解析タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-07T09:24:26Z)
• Continuous-Time Linear Positional Embedding for Irregular Time Series Forecasting [14.038703353884033]
  時間情報を符号化する連続線形関数を学習するCTLPEを提案する。 CTLPEは、様々な不規則にサンプリングされた時系列データセットで既存の技術より優れている。
  論文  参考訳（メタデータ） (2024-09-30T08:46:18Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Predicting the State of Synchronization of Financial Time Series using Cross Recurrence Plots [75.20174445166997]
  本研究では,2つの金融時系列の動的同期の将来の状態を予測する新しい手法を提案する。 我々は,同期状態の予測を方法論的に扱うためのディープラーニングフレームワークを採用する。 2つの時系列の同期状態を予測するタスクは、一般的には難しいが、ある種の在庫は、非常に良好な性能で達成できる。
  論文  参考訳（メタデータ） (2022-10-26T10:22:28Z)
• On Statistical Distribution for Adiabatically Isolated Body [62.997667081978825]
  共変量子論の枠組みにおいて、断熱的に孤立した天体の場合の統計的分布が得られた。 孤立系のエネルギーは、温度の代わりに変化した分布の外部パラメータである。
  論文  参考訳（メタデータ） (2022-05-15T09:33:36Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• The Connection between Discrete- and Continuous-Time Descriptions of Gaussian Continuous Processes [60.35125735474386]
  我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。 この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
  論文  参考訳（メタデータ） (2021-01-16T17:11:02Z)
• Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
  実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。 時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。 非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
  論文  参考訳（メタデータ） (2020-07-25T04:16:34Z)
• Generalised Interpretable Shapelets for Irregular Time Series [14.330728728956238]
  シェープレット変換は時系列の特徴抽出の一形態である。 この手法を連続時間に拡張し、不規則にサンプリングされた時系列の一般的な場合を扱う。 時系列間の類似度の測定を学習擬似計量に一般化することを示した。
  論文  参考訳（メタデータ） (2020-05-28T12:32:19Z)
• RobustPeriod: Time-Frequency Mining for Robust Multiple Periodicity Detection [36.254037216142244]
  複数の周期性検出のための頑健で汎用的なフレームワークを提案する。 我々のアルゴリズムは、時系列を複数の時間周波数スケールに変換するために、最大重なり合う離散ウェーブレット変換を適用している。 合成および実世界のデータセットの実験により、我々のアルゴリズムは、単周期検出と複数周期検出の両方において、他の一般的なデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-21T20:10:36Z)

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。