論文の概要: Reservoir Computing Benchmarks: a review, a taxonomy, some best practices

• arxiv url: http://arxiv.org/abs/2405.06561v1
• Date: Fri, 10 May 2024 16:02:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-13 15:18:23.377233
• Title: Reservoir Computing Benchmarks: a review, a taxonomy, some best practices
• Title（参考訳）: Reservoir Computing Benchmarks: レビュー、分類、ベストプラクティス
• Authors: Chester Wringe, Martin Trefzer, Susan Stepney,
• Abstract要約: 貯留層計算(Reservoir Computing)は、様々な基板上で計算を行う非伝統的な計算モデルである。 本稿では,貯留層コンピューティングの分野における評価手法をレビューし,批判する。
• 参考スコア（独自算出の注目度）: 0.19116784879310028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reservoir Computing is an Unconventional Computation model to perform computation on various different substrates, such as RNNs or physical materials. The method takes a "black-box" approach, training only the outputs of the system it is built on. As such, evaluating the computational capacity of these systems can be challenging. We review and critique the evaluation methods used in the field of Reservoir Computing. We introduce a categorisation of benchmark tasks. We review multiple examples of benchmarks from the literature as applied to reservoir computing, and note their strengths and shortcomings. We suggest ways in which benchmarks and their uses may be improved to the benefit of the reservoir computing community
• Abstract（参考訳）: 貯留層計算(Reservoir Computing)は、RNNや物理材料などの様々な基板上で計算を行う非伝統的な計算モデルである。 このメソッドは"ブラックボックス"アプローチを採用し、構築されているシステムの出力のみをトレーニングする。 したがって、これらのシステムの計算能力を評価することは困難である。 本稿では,貯留層コンピューティングの分野における評価手法をレビューし,批判する。 ベンチマークタスクの分類を紹介します。 本稿では,貯水池計算に適用された文献からのベンチマークのいくつかの例を概説し,その長所と短所について述べる。 我々は,貯水池コンピューティングコミュニティの利益のために,ベンチマークとその利用方法を改善する方法を提案する。

関連論文リスト

• New Reservoir Computing Kernel Based on Chaotic Chua Circuit and Investigating Application to Post-Quantum Cryptography [0.0]
  このプロジェクトは、チュアに本拠を置く貯水池コンピュータのアカデミアにおける2番目の事例であると考えられている。 ポスト量子暗号のような現実世界の課題に最初に適用される。
  論文  参考訳（メタデータ） (2024-06-18T12:07:59Z)
• Stochastic Reservoir Computers [0.0]
  貯水池計算では、貯水池のコンピュータ全体の異なる状態の数は、貯水池のハードウェアのサイズに比例して指数関数的にスケールすることができる。 ショットノイズは貯水池計算の性能に限界があるが,ノイズの影響が小さい場合,類似のハードウェアを持つ貯水池コンピュータに比べて性能が大幅に向上した。
  論文  参考訳（メタデータ） (2024-05-20T21:26:00Z)
• A Hard-to-Beat Baseline for Training-free CLIP-based Adaptation [121.0693322732454]
  対照的に、CLIP(Contrastive Language- Image Pretraining)はその目覚ましいゼロショット能力で人気を集めている。 近年の研究では、下流タスクにおけるCLIPの性能を高めるための効率的な微調整手法の開発に焦点が当てられている。 従来のアルゴリズムであるガウス判別分析(GDA)を再検討し,CLIPの下流分類に適用する。
  論文  参考訳（メタデータ） (2024-02-06T15:45:27Z)
• Towards More Robust NLP System Evaluation: Handling Missing Scores in Benchmarks [9.404931130084803]
  本稿は,NLP研究における既存の問題として,タスク中にシステムスコアが欠落している場合のベンチマークを定式化する。 既存のベンチマークよりも桁違いに大きい1億3100万以上のスコアを含む拡張ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-05-17T15:20:31Z)
• Real-Time Evaluation in Online Continual Learning: A New Hope [104.53052316526546]
  計算コストに関して,現在の継続学習(CL)手法を評価した。 簡単なベースラインは、この評価の下で最先端のCL法より優れている。 これは、既存のCL文献の大部分は、実用的でない特定の種類のストリームに適合していることを驚くほど示唆している。
  論文  参考訳（メタデータ） (2023-02-02T12:21:10Z)
• Improving Inference Performance of Machine Learning with the Divide-and-Conquer Principle [0.0]
  多くの一般的な機械学習モデルは、CPUにデプロイすると、スケールが悪くなります。 本稿では,この問題に対処するための分枝・分枝原理に基づく,単純かつ効果的なアプローチを提案する。 人気の高いOnnxRuntimeフレームワークでこのアイデアを実装し、いくつかのユースケースでその有効性を評価します。
  論文  参考訳（メタデータ） (2023-01-12T15:55:12Z)
• Reservoir Computing Using Complex Systems [0.0]
  Reservoir Computingは、物理システムを利用した計算のための機械学習フレームワークである。 計算に単一ノード貯水池を用いる方法を示し、物理貯水池の計算能力を改善するために利用可能な選択肢を探索する。
  論文  参考訳（メタデータ） (2022-12-17T00:25:56Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• The Benchmark Lottery [114.43978017484893]
  ベンチマーク宝くじ」は、機械学習ベンチマークプロセスの全体的な脆弱さを記述している。 アルゴリズムの相対的性能は、異なるベンチマークタスクを選択するだけで大幅に変化する可能性がある。
  論文  参考訳（メタデータ） (2021-07-14T21:08:30Z)
• Uncertainty Baselines: Benchmarks for Uncertainty & Robustness in Deep Learning [66.59455427102152]
  不確実性ベースライン(Uncertainty Baselines): 各種タスクにおける標準および最先端のディープラーニング手法の高品質な実装。 各ベースラインは、簡単に再利用可能で拡張可能なコンポーネントを備えた、自己完結型の実験パイプラインである。 モデルチェックポイント、Pythonノートブックとしての実験出力、結果を比較するためのリーダーボードを提供する。
  論文  参考訳（メタデータ） (2021-06-07T23:57:32Z)
• An Empirical Comparison of Instance Attribution Methods for NLP [62.63504976810927]
  本研究は,トレーニングサンプルの重要性に関して,異なるインスタンス属性が一致した度合いを評価する。 単純な検索メソッドは、グラデーションベースの方法によって識別されたものと異なるトレーニングインスタンスを生成する。
  論文  参考訳（メタデータ） (2021-04-09T01:03:17Z)

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。