論文の概要: Tree Tensor Network Reservoir Computing: Hierarchical Ensemble with Invariant Phase Boundaries

• arxiv url: http://arxiv.org/abs/2607.24127v1
• Date: Mon, 27 Jul 2026 08:09:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.35425
• Title: Tree Tensor Network Reservoir Computing: Hierarchical Ensemble with Invariant Phase Boundaries
• Title（参考訳）: Tree Tensor Network Reservoir Computing:不変位相境界を持つ階層的アンサンブル
• Abstract要約: Tree Network Reservoir Computing (TTN-RC)は、時系列予測のための量子インスパイアされた貯水池コンピューティングフレームワークである。 固定サイズの貯水池を複数の独立した貯水池に分割する階層的アンサンブル法。 テストされた NARMA ベンチマークでは、TTN-RC は従来の Echo State Network と比較して、競争力や性能の向上を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Tree Tensor Network Reservoir Computing (TTN-RC), a quantum-inspired reservoir computing framework for time-series prediction that uses the hierarchical structure of Tree Tensor Networks as a random reservoir. To control the exponential concentration or divergence of TTN outputs, we introduce a hierarchical ensemble method that partitions a fixed-size reservoir into multiple independent sub-reservoirs. In the tested NARMA benchmarks, TTN-RC achieves competitive or improved performance compared with conventional Echo State Networks, especially for tasks requiring higher-order nonlinear processing and longer contextual dependence. We also derive an expected contraction rate based on the reservoir Jacobian and develop a mean-field description of the reservoir-state statistics. These analyses identify an asymptotic stability boundary at $σ_{T}=\sqrt{2}$ in the large per-tree-size limit, where several theoretical indicators converge. Our results provide a design principle for tensor-network-based reservoir computing and clarify how hierarchical reservoir topology controls stability and nonlinear information processing.
• Abstract（参考訳）: 本研究では,木テンソルネットワークの階層構造をランダムな貯水池として利用した時系列予測のための量子インスピレーション型貯水池計算フレームワークであるTN-RCを提案する。 TTN出力の指数的な集中度やばらつきを制御するため,固定サイズの貯水池を複数の独立した貯水池に分割する階層型アンサンブル法を導入する。 テストされた NARMA ベンチマークでは、TTN-RC は従来の Echo State Network と比較して、特に高次非線形処理とより長いコンテキスト依存を必要とするタスクに対して、競争力や性能の向上を実現している。 また,貯水池ヤコビアンに基づく平均収縮速度を導出し,貯水池状態統計の平均場記述を開発する。 これらの解析は、いくつかの理論的な指標が収束する木ごとの大きい極限において、$σ_{T}=\sqrt{2}$の漸近安定性境界を同定する。 本研究では, テンソルネットワークに基づく貯水池計算の設計原理を提供し, 階層型貯水池トポロジーが安定性と非線形情報処理をどのように制御するかを明らかにする。

関連論文リスト

• Graph Signal Diffusion Models for Wireless Resource Allocation [74.84410305593006]
  グラフ構造干渉を用いた無線ネットワークにおける制約付きエルゴディック資源最適化について検討する。 生成した電力割り当ての時間的共有は、ほぼ最適のエルゴディック・サムレートユーティリティとほぼ実現可能なエルゴディック・ミニマルレートを実現する。
  論文  参考訳（メタデータ） (2026-04-06T21:12:25Z)
• A mathematical framework for time-delay reservoir computing analysis [0.0]
  貯留層コンピューティングは、ニューラルネットワークよりもはるかに少ない複雑さでデータを処理するための、確立されたアプローチである。 20年間の実験的な進歩にもかかわらず、貯水池計算のコア特性は依然として厳密な数学的基礎を欠いている。 本稿では、時間遅延型貯水池コンピュータの解析のための制御理論フレームワークを提供することにより、このギャップに対処する。
  論文  参考訳（メタデータ） (2026-03-19T10:05:31Z)
• ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
  ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。 本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。 我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
  論文  参考訳（メタデータ） (2026-02-09T18:54:18Z)
• ParalESN: Enabling parallel information processing in Reservoir Computing [10.601079644990504]
  貯留層コンピューティングは、時間処理の効率的なパラダイムとして確立されている。 この研究は、これらの制限に対処するためにParallel Echo State Network (ParalESN)を導入している。 ParalESNは、複素空間における対角線再帰に基づく高次元かつ効率的な貯水池の構築を可能にする。
  論文  参考訳（メタデータ） (2026-01-29T20:18:27Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Recurrent Stochastic Configuration Networks with Incremental Blocks [0.0]
  リカレント・コンフィグレーション・ネットワーク(RSCN)は、順序の不確実性を伴う非線形力学系のモデリングにおいて、将来性を示す。 本稿では,ブロックインクリメントを持つブロックRCCN(BRSCN)を開発した。 BRSCNは建設中に複数の貯水池ノード(貯水池)を同時に追加することができる。
  論文  参考訳（メタデータ） (2024-11-18T05:58:47Z)
• Layer Ensembles [95.42181254494287]
  本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。 その結果,メモリと実行時間が少なくなるモデルが得られた。
  論文  参考訳（メタデータ） (2022-10-10T17:52:47Z)
• RCC-GAN: Regularized Compound Conditional GAN for Large-Scale Tabular Data Synthesis [7.491711487306447]
  本稿では,大規模データベースを合成するためのGAN(Generative Adversarial Network)を提案する。 本稿では,ベクトルを二分的特徴と離散的特徴を同時に組み込むための新しい定式化を提案する。 本稿では、トレーニング中に、その重みベクトルにおける前例のない変動を制限するための正規化スキームを提案する。
  論文  参考訳（メタデータ） (2022-05-24T01:14:59Z)
• Layer Adaptive Node Selection in Bayesian Neural Networks: Statistical Guarantees and Implementation Details [0.5156484100374059]
  スパースディープニューラルネットワークは、大規模研究において予測モデル構築に効率的であることが証明されている。 本稿では,スパイク・アンド・スラブ型ガウス先行法を用いて,訓練中のノード選択を可能にするベイズスパース解を提案する。 本研究は, 先行パラメータのキャラクタリゼーションとともに, 変動的後続一貫性の基本的な結果を確立する。
  論文  参考訳（メタデータ） (2021-08-25T00:48:07Z)
• A Convergence Theory Towards Practical Over-parameterized Deep Neural Networks [56.084798078072396]
  ネットワーク幅と収束時間の両方で既知の理論境界を大幅に改善することにより、理論と実践のギャップを埋める一歩を踏み出します。 本研究では, サンプルサイズが2次幅で, 両者の時間対数で線形なネットワークに対して, 地球最小値への収束が保証されていることを示す。 私たちの分析と収束境界は、いつでも合理的なサイズの同等のRELUネットワークに変換できる固定アクティベーションパターンを備えたサロゲートネットワークの構築によって導出されます。
  論文  参考訳（メタデータ） (2021-01-12T00:40:45Z)
• On Random Kernels of Residual Architectures [93.94469470368988]
  ResNets と DenseNets のニューラルタンジェントカーネル (NTK) に対して有限幅および深さ補正を導出する。 その結果,ResNetsでは,深さと幅が同時に無限大となるとNTKへの収束が生じる可能性が示唆された。 しかし、DenseNetsでは、NTKの幅が無限大になる傾向があるため、その限界への収束が保証されている。
  論文  参考訳（メタデータ） (2020-01-28T16:47:53Z)

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。