論文の概要: Evolutionary Algorithm for Reservoir Learning and Yielding

• arxiv url: http://arxiv.org/abs/2605.30372v1
• Date: Tue, 19 May 2026 11:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.50943
• Title: Evolutionary Algorithm for Reservoir Learning and Yielding
• Title（参考訳）: 貯留層学習と収量のための進化的アルゴリズム
• Authors: Julien Testu, Pierrick Legrand, Xavier Hinaut,
• Abstract要約: EARLY (Evolutionary Algorithm for Reservoir Learning and Yielding) は、Echo State Networks (ESN) のアーキテクチャを進化させるためのフレームワークである。 脳のモジュラー構造にインスパイアされたEARLYは、アーキテクチャをグラフベースのゲノムとしてエンコードし、クロスオーバー、突然変異、選択を適用して効果的な構成を発見する。 その結果、進化したアーキテクチャは、複数のタスクをランダムに探索し、タスクの難易度に応じて構造的な違いを示す。 これらの結果から, 進化的探索は, 広範囲の時間的問題に対して, 再利用可能な貯水池構造を同定するのに有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.3946890980915163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reservoir computing, a type of recurrent neural network, is a promising approach for temporal learning as it separates dynamic processing from the trained readout layer. However, classical Echo State Networks (ESNs) often require task-specific tuning of their architecture and hyperparameters to achieve good performance. This paper introduces EARLY (Evolutionary Algorithm for Reservoir Learning and Yielding), a framework designed to evolve both the topology and hyperparameters of multi-reservoir ESNs. Inspired by the modular organisation of the brain, EARLY encodes architectures as graph-based genomes and applies crossover, mutation, and selection to discover effective configurations. Our goal is to create both generic architectures and tasks inducing generalization. The method is evaluated on temporal learning tasks from the CogScale dataset. Results show that evolved architectures outperform those obtained with random search on several tasks and exhibit structural differences depending on task difficulty: simpler tasks yield lightweight architectures, while more complex tasks favour richer modular organisations. These findings suggest that evolutionary search can help identify reusable reservoir structures for a broader range of temporal problems. The evolved architectures are further evaluated on a cross-situational learning dataset to assess their ability to adapt to new environments.
• Abstract（参考訳）: リカレントニューラルネットワークの一種であるReservoir Computingは、トレーニングされた読み出し層から動的処理を分離する、時間学習のための有望なアプローチである。 しかしながら、従来のEcho State Networks (ESN) は、優れたパフォーマンスを達成するために、アーキテクチャとハイパーパラメータのタスク固有のチューニングを必要とすることが多い。 本稿では,多層貯留層ESNのトポロジとハイパーパラメータの両方を進化させるフレームワークであるEARLY(Evolutionary Algorithm for Reservoir Learning and Yielding)を紹介する。 脳のモジュラー構造にインスパイアされたEARLYは、アーキテクチャをグラフベースのゲノムとしてエンコードし、クロスオーバー、突然変異、選択を適用して効果的な構成を発見する。 私たちのゴールは、汎用アーキテクチャと、一般化を誘発するタスクの両方を作ることです。 本手法は,CogScaleデータセットから時間的学習タスクを評価する。 その結果、進化したアーキテクチャは、いくつかのタスクをランダムに検索し、タスクの難易度に応じて構造的な違いを示す。 これらの結果から, 進化的探索は, 広範囲の時間的問題に対して, 再利用可能な貯水池構造を同定するのに有効であることが示唆された。 進化したアーキテクチャは、新しい環境に適応する能力を評価するために、横断的な学習データセットでさらに評価される。

関連論文リスト

• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• DiffusionNAG: Predictor-guided Neural Architecture Generation with Diffusion Models [56.584561770857306]
  本研究では拡散モデルに基づく新しい条件付きニューラルネットワーク生成(NAG)フレームワークDiffusionNAGを提案する。 具体的には、ニューラルネットワークを有向グラフとみなし、それらを生成するためのグラフ拡散モデルを提案する。 本研究では,2つの予測型NAS(Transferable NAS)とベイズ最適化(BO)に基づくNAS(Bayesian Optimization)の2つのシナリオにおいて,DiffusionNAGの有効性を検証する。 BOベースのアルゴリズムに統合されると、DiffusionNAGは既存のBOベースのNASアプローチ、特にImageNet 1Kデータセット上の大規模なMobileNetV3検索スペースよりも優れている。
  論文  参考訳（メタデータ） (2023-05-26T13:58:18Z)
• EvoPrompting: Language Models for Code-Level Neural Architecture Search [21.759268833999627]
  進化的ニューラルアーキテクチャ探索アルゴリズムにおける適応突然変異とクロスオーバー演算子としての言語モデル(LM)の利用について検討する。 EvoPromptingと呼ばれる手法であるソフトプロンプトチューニングと進化的プロンプトエンジニアリングの組み合わせは、常に多様かつ高性能なモデルを見つける。
  論文  参考訳（メタデータ） (2023-02-28T18:37:25Z)
• Learning Interpretable Models Through Multi-Objective Neural Architecture Search [0.9990687944474739]
  本稿では,タスク性能と「イントロスペクタビリティ」の両方を最適化するフレームワークを提案する。 タスクエラーとイントロスペクタビリティを共同で最適化することは、エラー内で実行されるより不整合でデバッグ可能なアーキテクチャをもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-12-16T05:50:55Z)
• Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
  複素領域における異なる変動演算子の効果について検討する。 モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-16T17:12:26Z)
• Neural Architecture Search based on Cartesian Genetic Programming Coding Method [6.519170476143571]
  文分類課題を解決するために,CGPに基づくNASの進化的アプローチであるCGPNASを提案する。 実験の結果,検索されたアーキテクチャは人間設計アーキテクチャの性能に匹敵することがわかった。
  論文  参考訳（メタデータ） (2021-03-12T09:51:03Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
  我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。 本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
  論文  参考訳（メタデータ） (2020-08-24T09:49:19Z)
• Incremental Training of a Recurrent Neural Network Exploiting a Multi-Scale Dynamic Memory [79.42778415729475]
  本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。 隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。 新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
  論文  参考訳（メタデータ） (2020-06-29T08:35:49Z)

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。