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/2310.00290v2
- Date: Sun, 22 Oct 2023 01:43:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 07:08:01.148253
- 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
- ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。
本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。
我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
論文 参考訳(メタデータ) (2024-04-08T04:41:39Z) - 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) - WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series
Forecasting [61.64303388738395]
本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。
さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
論文 参考訳(メタデータ) (2023-09-20T13:44:18Z) - Continuous Time Evidential Distributions for Irregular Time Series [18.51671507076908]
本稿では,不規則な時系列上で連続的に明らかな分布を学習する戦略であるEDICTを提案する。
この分布は、興味のあるときでも部分的に観察された特徴のよく校正され柔軟な推測を可能にする。
EDICTは,課題のある時系列分類タスクにおいて,競争力を発揮することを実証する。
論文 参考訳(メタデータ) (2023-07-25T13:54:00Z) - 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) - 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) - Tropical time series, iterated-sums signatures and quasisymmetric
functions [0.0]
任意の可換半環上のイテレーテッドサムシグニチャを導入する。
時系列の時系列的側面を抽出する方法を実証する。
論文 参考訳(メタデータ) (2020-09-17T17:51:43Z) - 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) - Toda chain flow in Krylov space [77.34726150561087]
量子非可積分多体系の一般的な振る舞いである虚軸に沿った特異性は、クリロフ空間における非局在化によるものであることを示す。
論文 参考訳(メタデータ) (2019-12-27T16:40:10Z)
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。