論文の概要: Long-Memory Reservoir Computing for Data-Scarce Dengue Forecasting
- arxiv url: http://arxiv.org/abs/2607.11272v1
- Date: Mon, 13 Jul 2026 08:56:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.40324
- Title: Long-Memory Reservoir Computing for Data-Scarce Dengue Forecasting
- Title（参考訳）: データスカースデング予測のための長期記憶貯留層計算
- Abstract要約: デングの発生系列はうるさい、非定常、非線形であり、しばしば長距離の時間的依存に影響される。
ディープニューラルネットワークは非線形パターンをモデル化することができるが、通常は大きなトレーニングサンプルを必要とし、統計的長期記憶を明示的に符号化しない。
本研究では,専用長メモリ・短メモリESNとリッジ・レグレス・リードアウトを統合した長期記憶型貯水池計算フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.3499870393443268
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate dengue forecasting is crucial for public health planning, but remains challenging because incidence series are often short, noisy, non-stationary, nonlinear, and often affected by long-range temporal dependence. Fractional differencing in Autoregressive Fractionally Integrated Moving Average (ARFIMA) helps balance non-stationarity and persistence, but its linear structure limits its ability to capture nonlinear dynamics. Deep neural networks can model nonlinear patterns, but usually require large training samples and do not explicitly encode statistical long memory. Echo State Networks (ESNs), a widely used reservoir computing framework, are attractive in this setting because they retain nonlinear recurrent dynamics while training only a simple readout, making them suitable for data-scarce scenarios. However, standard ESNs lack long-term memory from a time-series perspective. This study proposes a long-memory reservoir computing framework that integrates dedicated long-memory and short-memory ESN reservoirs with a ridge-regression readout. We introduce two variants: Fractional ESN (fESN), which incorporates fractional-differencing dynamics into the reservoir to encode long-range dependence directly, and Wavelet ESN (wESN), which extracts stable low-frequency components through wavelet smoothing before modeling them with a memory-aware reservoir. We establish theoretical guarantees for closed-loop reservoir dynamics, showing that standard ESNs induce short-memory processes under mild conditions, whereas the proposed long-memory reservoirs generate polynomially decaying dependence consistent with statistical long memory. Across multiple dengue datasets and forecasting horizons, fESN and wESN outperform statistical and deep learning baselines. Combining conformal prediction with fESN and wESN provides distribution-free calibrated uncertainty intervals.
- Abstract（参考訳）: 正確なデング予測は公衆衛生計画に不可欠であるが、頻度シリーズは短い、うるさい、非定常、非線形で、長期の時間的依存の影響を受けやすいため、依然として困難である。
自己回帰分断統合移動平均(ARFIMA)における分断差分法は、非定常性と持続性のバランスを助長するが、その線形構造は非線形力学を捉える能力を制限する。
ディープニューラルネットワークは非線形パターンをモデル化することができるが、通常は大きなトレーニングサンプルを必要とし、統計的長期記憶を明示的に符号化しない。
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Echo State Networks (ESNs)は、単純な読み出しのみをトレーニングしながら非線形リカレントなリカレントダイナミクスを保持し、データスケースなシナリオに適しているため、この設定では魅力的である。
しかし、標準ESNは時系列の観点から長期記憶を欠いている。
本研究では,専用長メモリ・短メモリESN貯水池とリッジ・レグレッション・リードアウトを統合した長期記憶型貯水池計算フレームワークを提案する。
本稿では, フラクタルESN (fESN) とウェーブレットの平滑化により安定な低周波成分を抽出するウェーブレットESN (wESN) の2種類を紹介する。
本研究では, 標準ESNが軽度条件下での短記憶過程を誘導するのに対し, 提案した長期記憶型貯水池は, 統計的長期記憶と整合した多項式減衰を生じさせることを示す。
複数のデングデータセットと予測水平線、fESNとwESNは、統計的およびディープラーニングベースラインを上回っている。
共形予測とfESNとwESNを組み合わせることで、分布のないキャリブレーションの不確かさ区間が得られる。
関連論文リスト
- Frequency Domain Reservoir Computing [10.316233181797408]
Echo State Networks (ESN) は、時間を通してバックプロパゲーションを回避するために、固定されたリカレントウェイトを利用することによって、魅力的なアプローチを提供する。
本稿では、周波数領域で完全に動作するESNアーキテクチャである周波数領域貯水池計算(FRESCO)を紹介する。
FRESCOは、トレーニングと推論の計算コストとエネルギー消費を大幅に削減する。
論文 参考訳（メタデータ） (2026-06-23T10:14:46Z) - LongSpike: Fractional Order Spiking State Space Models for Efficient Long Sequence Learning [53.855185131868446]
スパイキングニューラルネットワーク(SNN)は、シーケンシャルデータを処理する際の生物学的な妥当性とエネルギー効率を十分に考慮している。
本研究では,数次状態空間モデリングを統合した新しいSNNフレームワークであるLongSpikeを提案する。
従来の整数階数 SSM を分数計算系に拡張することにより、LongSpike は長いメモリカーネルとニューロンダイナミクスの階層的な統合を可能にする。
論文 参考訳（メタデータ） (2026-06-11T04:54:07Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Improving the Performance and Learning Stability of Parallelizable RNNs Designed for Ultra-Low Power Applications [1.226598527858578]
Bistable Memory Recurrent Unit (BMRU) は、超低消費電力RNNのハードウェアとソフトウェアの共同設計を可能にするために導入された。
BMRUパフォーマンスは複雑なシーケンシャルタスクにおいて並列化可能なRNNよりも遅れている。
本稿では,永続記憶を保ちながらフローを復元し,時間経過とともにスキップ接続を生成する累積更新定式化を提案する。
論文 参考訳（メタデータ） (2026-05-12T09:39:33Z) - Efficient event-driven retrieval in high-capacity kernel Hopfield networks [0.0]
Kernel Logistic Regression (KLR) Hopfieldネットワークのような高容量の連想メモリモデルは、強力なストレージ能力を示しているが、一般的に計算コストのかかる同期更新に依存している。
適切に調整されたカーネルパラメータでは、逐次更新は同期力学と統計的に区別できないトラジェクトリを示す。
この非同期ネットワークは,古典的限界を超えた静的ランダムパターン機構において,P/N近似30ドルに近い経験的記憶能力を実現する。
論文 参考訳（メタデータ） (2026-05-07T10:21:18Z) - Improving Long-term Autoregressive Spatiotemporal Predictions: A Proof of Concept with Fluid Dynamics [10.71350538032054]
複雑なシステムでは、エラーの蓄積によって長期的な精度が劣化することが多い。
我々はPushForwardフレームワークを提案する。PushForwardフレームワークは、マルチステップ学習を実現しつつ、ワンステップのトレーニングを継続する。
SPFはモデル予測から補足的データセットを構築し、取得戦略を通じて真実と組み合わせる。
論文 参考訳（メタデータ） (2025-08-25T23:51:18Z) - Adaptive Nonlinear Vector Autoregression: Robust Forecasting for Noisy Chaotic Time Series [0.0]
ベクトル自己回帰と貯水池計算は カオス力学系の予測において 有望であることを示している
遅延埋め込み線形入力と浅い学習可能な多層パーセプトロンによって生成される特徴を組み合わせた適応的Nモデルを提案する。
論文 参考訳（メタデータ） (2025-07-11T16:40:10Z) - Distributed Stochastic Gradient Descent with Staleness: A Stochastic Delay Differential Equation Based Framework [56.82432591933544]
分散勾配降下(SGD)は、計算リソースのスケーリング、トレーニング時間の短縮、マシンラーニングにおけるユーザのプライバシ保護の支援などにより、近年注目されている。
本稿では,遅延微分方程式(SDDE)と勾配到着の近似に基づく分散SGDの実行時間と安定化について述べる。
活性化作業員の増加は, 安定度による分散SGDを必ずしも加速させるものではないことが興味深い。
論文 参考訳（メタデータ） (2024-06-17T02:56:55Z) - Learning Low Dimensional State Spaces with Overparameterized Recurrent
Neural Nets [57.06026574261203]
我々は、長期記憶をモデル化できる低次元状態空間を学習するための理論的証拠を提供する。
実験は、線形RNNと非線形RNNの両方で低次元状態空間を学習することで、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2022-10-25T14:45:15Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。
過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。
このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文 参考訳（メタデータ） (2020-08-17T23:39:33Z)
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。