論文の概要: Versatile Reservoir Computing for Heterogeneous Complex Networks

• arxiv url: http://arxiv.org/abs/2505.15219v1
• Date: Wed, 21 May 2025 07:46:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.20577
• Title: Versatile Reservoir Computing for Heterogeneous Complex Networks
• Title（参考訳）: 不均一複雑ネットワークのための不均一貯留層計算
• Authors: Yao Du, Huawei Fan, Xingang Wang,
• Abstract要約: 大規模複雑なネットワークにおいて,要素のサブセットから時系列で訓練された単一の小規模貯水池コンピュータが,任意の要素のダイナミクスを再現可能であることを示す。 ネットワークの集合力学を有限時間水平線上で正確に保存できることを実証する。
• 参考スコア（独自算出の注目度）: 4.126068959062212
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A new machine learning scheme, termed versatile reservoir computing, is proposed for sustaining the dynamics of heterogeneous complex networks. We show that a single, small-scale reservoir computer trained on time series from a subset of elements is able to replicate the dynamics of any element in a large-scale complex network, though the elements are of different intrinsic parameters and connectivities. Furthermore, by substituting failed elements with the trained machine, we demonstrate that the collective dynamics of the network can be preserved accurately over a finite time horizon. The capability and effectiveness of the proposed scheme are validated on three representative network models: a homogeneous complex network of non-identical phase oscillators, a heterogeneous complex network of non-identical phase oscillators, and a heterogeneous complex network of non-identical chaotic oscillators.
• Abstract（参考訳）: ヘテロジニアス複雑ネットワークのダイナミックスを維持するために,多用途貯水池計算と呼ばれる新しい機械学習手法を提案する。 要素のサブセットから時系列でトレーニングされた単一の小規模貯水池コンピュータは、その要素は固有のパラメータと接続性が異なるが、大規模複雑ネットワーク内の任意の要素のダイナミクスを再現可能であることを示す。 さらに、トレーニングされた機械で失敗した要素を置換することにより、ネットワークの集合力学を有限時間水平線上で正確に保存できることを実証する。 提案手法の有効性と有効性は,非同一位相発振器の均一複素ネットワーク,非同一位相発振器の不均一複素ネットワーク,非同一カオス発振器の不均一複素ネットワークの3つの代表的ネットワークモデルで検証される。

関連論文リスト

• Multi-Agent Q-Learning Dynamics in Random Networks: Convergence due to Exploration and Sparsity [5.925608009772727]
  ネットワーク構造がランダムなグラフモデルから引き出されるネットワークポリマトリクスゲームにおけるQラーニングダイナミクスについて検討する。 各設定において、エージェントの合同戦略が一意の平衡に収束する十分な条件を確立する。 数値シミュレーションにより理論的知見を検証し,多エージェントシステムにおいて収束が確実に達成できることを実証する。
  論文  参考訳（メタデータ） (2025-03-13T09:16:51Z)
• Recurrent Complex-Weighted Autoencoders for Unsupervised Object Discovery [62.43562856605473]
  複雑な重み付き再帰的アーキテクチャの計算上の優位性について論じる。 本稿では,反復的制約満足度を実現する完全畳み込みオートエンコーダSynCxを提案する。
  論文  参考訳（メタデータ） (2024-05-27T15:47:03Z)
• Image segmentation with traveling waves in an exactly solvable recurrent neural network [71.74150501418039]
  繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。 本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。 次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2023-11-28T16:46:44Z)
• Structural Balance and Random Walks on Complex Networks with Complex Weights [13.654842079699458]
  近年、エッジの重みが複素数である場合、ネットワーク科学のツールを拡張することへの関心が高まっている。 ここでは、重み行列がエルミート行列である場合に注目し、多くの応用において妥当な仮定である。 構造バランスの概念に基づいて,複素重み付きネットワークの分類を導入し,各タイプの共有スペクトル特性を示す。
  論文  参考訳（メタデータ） (2023-07-04T16:39:52Z)
• Neural Network Complexity of Chaos and Turbulence [0.0]
  我々は、深いニューラルネットワークの観点から、カオスと乱流の相対的な複雑さを考察する。 本研究では,乱流状態における流体分布のイメージをネットワークが識別しなければならない,一連の分類問題を解析する。 本研究では,内部特徴表現の内在的な次元性を通じて,ネットワークが行う計算の複雑さを定量化する。
  論文  参考訳（メタデータ） (2022-11-24T13:21:36Z)
• Learning Individual Interactions from Population Dynamics with Discrete-Event Simulation Model [9.827590402695341]
  複雑なシステム力学の離散時間シミュレーション表現を学習する可能性について検討する。 この結果から,本アルゴリズムは,意味のあるイベントを持つ複数のフィールドにおいて,複雑なネットワークダイナミクスをデータ効率よくキャプチャできることがわかった。
  論文  参考訳（メタデータ） (2022-05-04T21:33:56Z)
• Towards Understanding Theoretical Advantages of Complex-Reaction Networks [77.34726150561087]
  パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。 経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
  論文  参考訳（メタデータ） (2021-08-15T10:13:49Z)
• Recursive Construction of Stable Assemblies of Recurrent Neural Networks [0.0]
  機械学習の高度な応用には、訓練されたネットワークの組み合わせが含まれるだろう。 本稿では、非線形リカレントネットワークとニューラルODEの幅広いクラスにおける収縮特性を確立することにより、この方向への一歩を踏み出す。 結果は、リカレントネットワークと物理システムと定量化された収縮特性を組み合わせるために使用できる。
  論文  参考訳（メタデータ） (2021-06-16T16:35:50Z)
• Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
  RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
  論文  参考訳（メタデータ） (2020-10-09T05:35:27Z)
• Continuous-in-Depth Neural Networks [107.47887213490134]
  まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。 次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。 ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
  論文  参考訳（メタデータ） (2020-08-05T22:54:09Z)

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。