論文の概要: Centrality-Based Pruning for Efficient Echo State Networks

• arxiv url: http://arxiv.org/abs/2603.20684v1
• Date: Sat, 21 Mar 2026 06:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.036846
• Title: Centrality-Based Pruning for Efficient Echo State Networks
• Title（参考訳）: 効率の良いエコー状態ネットワークのための集中型プルーニング
• Authors: Sudip Laudari,
• Abstract要約: 本稿では,貯水池を重み付き有向グラフとして解釈し,集中度尺度を用いて構造的に重要度が低いノードを除去するグラフベースプルーニング手法を提案する。 マッキーグラスの時系列予測と電力負荷予測実験により, 中央性を維持しつつ, 貯水池の規模を大幅に削減できることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Echo State Networks (ESNs) are a reservoir computing framework widely used for nonlinear time-series prediction. However, despite their effectiveness, the randomly initialized reservoir often contains redundant nodes, leading to unnecessary computational overhead and reduced efficiency. In this work, we propose a graph centrality-based pruning approach that interprets the reservoir as a weighted directed graph and removes structurally less important nodes using centrality measures. Experiments on Mackey-Glass time-series prediction and electric load forecasting demonstrate that the proposed method can significantly reduce reservoir size while maintaining, and in some cases improving, prediction accuracy, while preserving the essential reservoir dynamics.
• Abstract（参考訳）: Echo State Networks (ESN) は非線形時系列予測に広く使われている貯水池コンピューティングフレームワークである。 しかし、その効果にもかかわらず、ランダムに初期化された貯水池は、しばしば冗長なノードを含み、不要な計算オーバーヘッドと効率の低下をもたらす。 本研究では, 貯水池を重み付き有向グラフとして解釈し, 集中度尺度を用いて構造的に重要でないノードを除去するグラフ集中型プルーニング手法を提案する。 マッキーグラスの時系列予測と電力負荷予測実験により, 提案手法は, 維持中の貯水池の規模を著しく低減し, また, 重要な貯水池の動態を保ちながら, 予測精度を向上できることを示した。

関連論文リスト

• FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
  既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。 本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。 まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。 第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:00:58Z)
• Dynamics-Informed Reservoir Computing with Visibility Graphs [0.0]
  貯留層コンピューティングは、従来のディープラーニングに代わる計算的に効率的な代替手段を提供する。 その利点にもかかわらず、大まかにランダムな貯水池グラフアーキテクチャは、しばしば理解されていないダイナミクスを持つ最適以下のネットワークをもたらす。 本稿では,入力学習シーケンスから直接貯水池ネットワーク構造を体系的に推論する新しい動的インフォームド貯留層計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-25T08:07:17Z)
• A tensor network approach for chaotic time series prediction [1.03590082373586]
  本稿では,従来提案されていたテンソルネットワークモデルのカオス時系列予測への応用について検討する。 従来のエコー状態ネットワークと比較して精度と計算効率の面で優位性を示す。 現状のテンソルネットワークアプローチを用いて,テンソルネットワークと貯水池コンピューティングコミュニティのギャップを埋める。
  論文  参考訳（メタデータ） (2025-05-23T11:03:35Z)
• Fast Training of Recurrent Neural Networks with Stationary State Feedbacks [48.22082789438538]
  リカレントニューラルネットワーク(RNN)は最近、Transformerよりも強力なパフォーマンスと高速な推論を実証している。 BPTTを固定勾配フィードバック機構で置き換える新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-29T14:45:52Z)
• Self-supervised Multi-future Occupancy Forecasting for Autonomous Driving [31.995016095663544]
  LiDARで生成された占有グリッドマップ(L-OGM)は、シーン表現のための頑丈な鳥眼ビューを提供する。 提案するフレームワークであるLOPR(Latent Occupancy Prediction)は、生成アーキテクチャの潜在空間においてL-OGM予測を行う。
  論文  参考訳（メタデータ） (2024-07-30T18:37:59Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Reservoir computing with logistic map [0.0]
  本稿では,仮想ノードを貯水池計算の貯水池として構築し,時間的・非時間的タスクを予測する手法を示す。 時間的タスクに対してはLorenz, Rossler, Hindmarsh-Roseの3つの非線形系を予測し, 高精度な非時間的タスクに対しては7位とした。 注目すべきは、ロジスティックマップがうまく機能し、実際の値や対象値に近いものを予測することである。
  論文  参考訳（メタデータ） (2024-01-17T09:22:15Z)
• Attention-Enhanced Reservoir Computing [0.0]
  フォトニック貯水池計算は時系列予測に成功している。 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。 以上の結果から,アテンション機構により強化されたフォトニック貯水池コンピュータは,より小型の貯水池の予測能力を向上することを示した。
  論文  参考訳（メタデータ） (2023-12-27T10:16:01Z)
• Precise characterization of the prior predictive distribution of deep ReLU networks [45.46732383818331]
  ガウス重み付き有限幅ReLUネットワークの事前予測分布を正確に推定する。 この結果は,例えば,ネットワークの重みについて,深さと幅にインフォームドされた事前の予測分散を制御するなど,事前設計に関する貴重なガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-06-11T21:21:52Z)

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。