論文の概要: On the Role of Preprocessing and Memristor Dynamics in Reservoir Computing for Image Classification

• arxiv url: http://arxiv.org/abs/2604.21602v1
• Date: Thu, 23 Apr 2026 12:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.490009
• Title: On the Role of Preprocessing and Memristor Dynamics in Reservoir Computing for Image Classification
• Title（参考訳）: 画像分類のための貯留層計算における前処理と膜力学の役割について
• Authors: Rishona Daniels, Duna Wattad, Ronny Ronen, David Saad, Shahar Kvatinsky,
• Abstract要約: Reservoir Computing(RC)は、トレーニングコストの低減とハードウェア要件の低さから注目を集めている、新たなリカレントニューラルネットワークアーキテクチャである。 メムリスタベースの回路は、時系列予測や画像認識といったタスクにおけるネットワークサイズやパラメータオーバーヘッドを低減できるため、RCにとって特に有望である。 本稿では, 並列遅延フィードバックネットワーク(PDFN) RCアーキテクチャの揮発性メムリスタによる動作の解析と説明を行う。
• 参考スコア（独自算出の注目度）: 0.1957338076370071
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reservoir computing (RC) is an emerging recurrent neural network architecture that has attracted growing attention for its low training cost and modest hardware requirements. Memristor-based circuits are particularly promising for RC, as their intrinsic dynamics can reduce network size and parameter overhead in tasks such as time-series prediction and image recognition. Although RC has been demonstrated with several memristive devices, a comprehensive evaluation of device-level requirements remains limited. In this paper, we analyze and explain the operation of a parallel delayed feedback network (PDFN) RC architecture with volatile memristors, focusing on how device characteristics -- such as decay rate, quantization, and variability -- affect reservoir performance. We further discuss strategies to improve data representation in the reservoir using preprocessing methods and suggest potential improvements. The proposed approach achieves 95.89% classification accuracy on MNIST, comparable with the best reported memristor-based RC implementations. Furthermore, the method maintains high robustness under 20% device variability, achieving an accuracy of up to 94.2%. These results demonstrate that volatile memristors can support reliable spatio-temporal information processing and reinforce their potential as key building blocks for compact, high-speed, and energy-efficient neuromorphic computing systems.
• Abstract（参考訳）: Reservoir Computing(RC)は、トレーニングコストの低減とハードウェア要件の低さから注目を集めている、新たなリカレントニューラルネットワークアーキテクチャである。 メムリスタベースの回路は、時系列予測や画像認識といったタスクにおけるネットワークサイズやパラメータオーバーヘッドを低減できるため、RCにとって特に有望である。 RCはいくつかの経験的デバイスで実証されてきたが、デバイスレベルの要求に対する包括的な評価は依然として限られている。 本稿では, 並列遅延フィードバックネットワーク(PDFN) RCアーキテクチャを揮発性メムリスタを用いて解析し, デバイス特性(減衰率, 量子化, 可変性など)が貯水池の性能に与える影響に着目した。 さらに,予備処理手法を用いて貯水池のデータ表現を改善する方法について検討し,潜在的な改善を提案する。 提案手法は、MNISTの95.89%の分類精度を達成し、最も報告されたmmristorベースのRC実装に匹敵する。 さらに、この方法は20%のデバイス変動率で高い堅牢性を維持し、94.2%の精度を達成する。 これらの結果から, 揮発性メムリスタは信頼性の高い時空間情報処理をサポートし, コンパクトで高速でエネルギー効率の高いニューロモルフィックコンピューティングシステムのための重要なビルディングブロックとしての可能性を高めることができることが示された。

関連論文リスト

• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Preprocessing Methods for Memristive Reservoir Computing for Image Recognition [0.4194295877935868]
  Reservoir Computing (RC) は効率的なリカレントニューラルネットワークアーキテクチャとして注目されている。 メムリスタで実装する場合、RC系はその動的特性から恩恵を受け、貯水池建設に最適である。 本稿では, 経験的RCシステムにおける各種前処理手法を系統的に比較し, 精度とエネルギー消費に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-06-05T21:06:10Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Analysis and Fully Memristor-based Reservoir Computing for Temporal Data Classification [0.6291443816903801]
  Reservoir Computing (RC) は、特に信号処理に有効なニューロモルフィックなフレームワークを提供する。 RCハードウェアのキーコンポーネントは動的貯留状態を生成する能力である。 本研究は, 新たな時間的課題の管理において, メムリスタをベースとしたRCシステムの適応性を照らすものである。
  論文  参考訳（メタデータ） (2024-03-04T08:22:29Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Model-Size Reduction for Reservoir Computing by Concatenating Internal States Through Time [2.6872737601772956]
  Reservoir Computing(RC)は、データから複雑な時系列を非常に高速に学習できる機械学習アルゴリズムである。 エッジコンピューティングにRCを実装するためには,RCに必要な計算資源の削減が重要である。 本研究では, 貯水池の過去又は漂流状態を現時点の出力層に投入することにより, 貯水池の規模を小さくする手法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T06:11:03Z)

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。