論文の概要: Chaotic Oscillator Networks for Classification Tasks

• arxiv url: http://arxiv.org/abs/2603.16909v1
• Date: Fri, 06 Mar 2026 11:16:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.373659
• Title: Chaotic Oscillator Networks for Classification Tasks
• Title（参考訳）: 分類作業のためのカオスオシレータネットワーク
• Authors: Toni Ivas, Georgios Violakis, Roland Richter, Patrik Hoffmann, Sergey Shevchik,
• Abstract要約: 本研究は, スケールアップ可能な非線形発振器のアンサンブルによるデータ処理の問題に対処することにより, 技術の現状を推し進めるものである。 提案手法では,外部データ入力によって駆動されるカオス発振器群における局所共鳴やエコーとして処理が達成される。 このフレームワークは、合成データを用いて評価され、機械学習分類タスクの精度を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chaotic oscillators have gained significant attention in the research community because of their ability to reproduce and investigate the complex dynamics of real-world phenomena. Recent advances in the design of chaotic oscillator ensembles have led to the development of efficient signal processing frameworks that surpass traditional approaches. However, scaling such systems remains challenging due to the significant increase of computational resources and issues with training convergence. This study advances the state of the art by addressing the problem of data processing with ensembles of nonlinear oscillators that can be scaled up. In our approach, the processing is achieved as an anticipated local resonance or echo in a group of coupled chaotic oscillators, driven by external data input. Local resonance is enabled by tuning the coupling terms between the oscillators, which are approximated using the traditional artificial neural network and adapted to match the input feature distributions. Training the framework entails training this neural network to capture the dynamics of the entire oscillator system. The framework is evaluated using synthetic data and demonstrates an accuracy in machine learning classification task, while patterns recognition and dynamic system identification are also presented here as an extension of the functionality that involves additional modifications. Additionally, the universality of this approach is demonstrated by tests with different connections configurations between the oscillators and their types. The main advantage of the proposed framework is that it avoids hand-crafting explicit coupling terms, which requires expert knowledge and does not scale for large problems. Leveraging standard machine learning components simplifies both training and deployment of oscillator networks, enabling gradient-based optimization.
• Abstract（参考訳）: カオス発振器は、実世界の現象の複雑な力学を再現し研究する能力から、研究コミュニティで注目されている。 カオス発振器アンサンブルの設計の最近の進歩は、従来のアプローチを超越した効率的な信号処理フレームワークの開発につながっている。 しかし、計算資源の大幅な増加と訓練収束の問題により、そのようなシステムをスケールすることは依然として困難である。 本研究は, スケールアップ可能な非線形発振器のアンサンブルを用いて, データ処理の問題に対処することで, 最先端の技術を推し進めるものである。 提案手法では,外部データ入力によって駆動されるカオス発振器群における局所共鳴やエコーとして処理が達成される。 局所共鳴は、従来の人工ニューラルネットワークを用いて近似された振動子間の結合項を調整し、入力特徴分布に適合させることにより実現される。 フレームワークのトレーニングでは、このニューラルネットワークをトレーニングして、発振器システム全体のダイナミクスをキャプチャする。 このフレームワークは、合成データを用いて評価され、機械学習の分類タスクにおいて精度を示す一方、パターン認識と動的システム識別は、追加的な修正を含む機能の拡張として、ここでも提示される。 さらに、このアプローチの普遍性は、発振器とそのタイプ間の異なる接続構成を持つテストによって実証される。 提案フレームワークの主な利点は、専門家の知識を必要とし、大きな問題にスケールしない、明示的な結合項を手作りするのを避けることである。 標準の機械学習コンポーネントを活用することで、発振器ネットワークのトレーニングとデプロイが簡単になり、勾配ベースの最適化が可能になる。

関連論文リスト

• CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
  CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。 最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。 提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
  論文  参考訳（メタデータ） (2026-03-06T15:11:58Z)
• How deep is your network? Deep vs. shallow learning of transfer operators [0.4473327661758546]
  我々は、データから転送演算子とそのスペクトル分解を学習するためのRaNNDyと呼ばれるランダム化ニューラルネットワークアプローチを提案する。 主な利点は、精度の顕著な低下がなければ、このアプローチがトレーニング時間とリソースを大幅に削減することです。 複素力学系の挙動解析に重要な応用があるクープマン作用素やペロン・フロベニウス作用素など、様々な力学作用素に対する結果を示す。
  論文  参考訳（メタデータ） (2025-09-24T09:38:42Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• A Synergistic Framework of Nonlinear Acoustic Computing and Reinforcement Learning for Real-World Human-Robot Interaction [15.759904937490832]
  本稿では, 非線形音響計算と強化学習を統合し, 複雑な雑音と残響下での人間とロボットの相互作用を強化する新しい枠組みを提案する。 提案システムは,AIハードウェア,ロボット,マシンオーディション,人工オーディション,ブレイン・マシン・インタフェースの幅広い応用可能性を示す。
  論文  参考訳（メタデータ） (2025-05-04T06:03:12Z)
• Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
  本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。 本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。 本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2024-04-22T09:40:07Z)
• Fold Bifurcation Identification through Scientific Machine Learning [0.0]
  本研究は,周期解の折りたたみ分岐近傍の過渡時間列を科学的機械学習を用いて同定する。 畳み込みニューラルネットワーク(CNN)は、比較的少量のデータと単一の非常に単純なシステムで訓練される。 CNNは、マス・オン・ムーブ・ベルトシステムのために、折り畳み付近の過渡軌道を正しく分類することができた。
  論文  参考訳（メタデータ） (2023-12-21T10:07:52Z)
• Amplifying Sine Unit: An Oscillatory Activation Function for Deep Neural Networks to Recover Nonlinear Oscillations Efficiently [0.0]
  本研究では,マイクロエレクトロメカニクスシステムにおける非線形振動を処理するために,応答層構造を持つディープニューラルネットワークに基づく手法を提案する。 我々は、複雑な振動系において、GCUよりも効率的なASUと呼ばれる新しい振動活性化関数Amplifying Sine Unitを提案している。 提案するアクティベーション関数ASUを用いた設計ネットワークは,非線形性や発振による課題に対処するため,信頼性が高く,堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-04-18T14:08:15Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)

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。