Fugu-MT 論文翻訳(概要): Attention-Enhanced Reservoir Computing

論文の概要: Attention-Enhanced Reservoir Computing

arxiv url: http://arxiv.org/abs/2312.16503v1
Date: Wed, 27 Dec 2023 10:16:01 GMT
ステータス: 処理完了
システム内更新日: 2023-12-29 19:00:10.891757
Title: Attention-Enhanced Reservoir Computing
Title（参考訳）: 注意深い貯留層計算
Authors: Felix K\"oster, Kazutaka Kanno, Jun Ohkubo, and Atsushi Uchida
Abstract要約: フォトニック貯水池計算は近年,時系列予測に活用されている。出力段階における貯水池計算モデルに注意機構を導入する。この注目層は、異なる特徴や時間的シーケンスを優先し、予測精度を大幅に向上させるように設計されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Photonic reservoir computing has been recently utilized in time series forecasting as the need for hardware implementations to accelerate these predictions has increased. Forecasting chaotic time series remains a significant challenge, an area where the conventional reservoir computing framework encounters limitations of prediction accuracy. We introduce an attention mechanism to the reservoir computing model in the output stage. This attention layer is designed to prioritize distinct features and temporal sequences, thereby substantially enhancing the forecasting accuracy. Our results show that a photonic reservoir computer enhanced with the attention mechanism exhibits improved forecasting capabilities for smaller reservoirs. These advancements highlight the transformative possibilities of reservoir computing for practical applications where accurate forecasting of chaotic time series is crucial.
Abstract（参考訳）: 時系列予測では、これらの予測を加速するハードウェア実装の必要性が高まっているため、フォトニック・リザーバ・コンピューティングが利用されてきた。カオス時系列の予測は依然として重要な課題であり、従来の貯留層計算フレームワークが予測精度の限界に遭遇する分野である。出力段階における貯水池計算モデルに注意機構を導入する。このアテンション層は、異なる特徴と時間系列を優先して設計され、予測精度が大幅に向上する。その結果,注意機構が強化されたフォトニック貯水池コンピュータは,小型貯水池の予測能力の向上を示した。これらの進歩は、カオス時系列の正確な予測が不可欠である実用的な応用のための貯水池計算の転換可能性を強調している。

関連論文リスト

Oscillations enhance time-series prediction in reservoir computing with feedback [3.3686252536891454]
貯留層コンピューティング(Reservoir computing)は、脳のモデリングに使用される機械学習フレームワークである。貯水池系が不安定になるため、長期目標時系列を正確に再現することは困難である。本研究では,振動駆動型貯水池計算 (ODRC) をフィードバックで提案する。
論文参考訳（メタデータ） (2024-06-05T02:30:29Z)
A novel Reservoir Architecture for Periodic Time Series Prediction [4.7368661961661775]
本稿では,貯水池計算を用いた周期時系列の予測手法を提案する。このモデルは、リズムの正確な予測を提供するように調整されている。我々のネットワークは、人間の周波数知覚範囲内のリズム信号を正確に予測する。
論文参考訳（メタデータ） (2024-05-16T13:55:53Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
Predicting Temporal Aspects of Movement for Predictive Replication in Fog Environments [0.0]
ブラインドまたはリアクティブデータは、フォグコンピューティングのポテンシャルを利用するには不十分である。時間的予測のためのHolt-Winterの指数平滑化を用いた新しいモデルを提案する。実際のユーザトラジェクトリによるフォグネットワークシミュレーションでは,データ利用率を1%に抑えながら,余剰データの15%削減を実現している。
論文参考訳（メタデータ） (2023-06-01T11:45:13Z)
Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文参考訳（メタデータ） (2023-01-23T18:59:28Z)
What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文参考訳（メタデータ） (2022-06-13T21:31:06Z)
Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
降雨予測のための自己注意型拡張畳み込み機構を提案する。実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
論文参考訳（メタデータ） (2022-01-31T18:16:03Z)
Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。本手法の有効性を,大規模書籍市場データを用いて検証した。
論文参考訳（メタデータ） (2022-01-14T14:02:19Z)
Learning Output Embeddings in Structured Prediction [73.99064151691597]
構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。原空間における予測は、前像問題の解法により計算される。本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
論文参考訳（メタデータ） (2020-07-29T09:32:53Z)
Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment [0.0]
我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
論文参考訳（メタデータ） (2020-07-28T08:15:17Z)
AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。