論文の概要: Frequency-Based Reservoir computing

• arxiv url: http://arxiv.org/abs/2607.24420v1
• Date: Mon, 27 Jul 2026 13:33:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.441338
• Title: Frequency-Based Reservoir computing
• Title（参考訳）: 周波数ベース貯留層計算
• Abstract要約: 貯留層コンピューティングは、動的システムによって生成される時間を予測するための効率的な機械学習フレームワークである。 本稿では,脳の振動力学と時間スケールの階層構造にインスパイアされた周波数ベースの貯水池を提案する。 周波数ベースの貯水池のユニットは特定の入力周波数を増幅し、保存し、予測に使用する。
• 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: Reservoir computing has emerged as an efficient machine learning framework for predicting time series generated by dynamical systems. In contrast to other machine and deep learning approaches, a reservoir computing trains only the output layer via linear regression, leaving the reservoir (recurrent layer) untrained. This simplification makes reservoir computers easier to train and more amenable to experimentation. However, because current reservoirs consist of networks of randomly connected nodes and require the optimization of numerous hyperparameters, a framework that precisely explains how reservoir computing operates and how it can be optimized remains missing. Here, we propose a frequency-based reservoir inspired by the brain's oscillatory dynamics and its hierarchy of timescales. The frequency-based reservoir can be interpreted as an ensemble of independent oscillatory units, each processing a portion of the input's frequency content. This allows us to understand the reservoir's internal behavior by modeling it as a single unit driven by an external input. Borrowing from the theory of a nonlinear oscillator forced by complex periodic inputs, we found that units of the frequency-based reservoir selectively amplify and store specific input frequencies, which are then used for prediction. The frequency-based reservoir performs as well as or better than equivalent random reservoirs. Furthermore, the frequency-based approach can be optimized to improve short-term prediction, a property that random reservoirs lack. Finally, we show that the frequency-based reservoir can also predict complex spatiotemporal dynamics. Our results show that reservoir computing can be designed using brain properties and theoretical insights borrowed from the physics of forced nonlinear oscillators.
• Abstract（参考訳）: 動的システムによって生成される時系列を予測するための効率的な機械学習フレームワークとして、Reservoir Computingが登場した。 他の機械学習やディープラーニングのアプローチとは対照的に、貯水池コンピューティングは線形回帰によって出力層のみを訓練し、貯水池(再帰層)は訓練されない。 この単純化により、貯水池コンピュータの訓練が容易になり、実験がより楽になる。 しかし、現在の貯水池はランダムに接続されたノードのネットワークで構成され、多数のハイパーパラメーターの最適化を必要とするため、貯水池のコンピューティングがどのように機能し、どのように最適化できるかを正確に説明するフレームワークはいまだに欠落している。 本稿では,脳の振動力学と時間スケールの階層構造にインスパイアされた周波数ベースの貯水池を提案する。 周波数ベースの貯水池は独立した振動ユニットのアンサンブルと解釈でき、それぞれが入力の周波数内容の一部を処理する。 これにより、外部入力によって駆動される単一のユニットとしてモデル化することで、貯水池の内部動作を理解することができる。 複雑な周期的な入力によって強制される非線形発振器の理論から、周波数ベースの貯水池の単位が特定の入力周波数を選択的に増幅し、保存し、予測に使用することがわかった。 周波数ベースの貯水池は、等価なランダムな貯水池と同等以上の性能を発揮する。 さらに、周波数ベースのアプローチは、ランダムな貯水池が欠落する特性である短期予測を改善するために最適化することができる。 最後に、周波数に基づく貯水池は、複雑な時空間力学を予測できることを示す。 以上の結果から, 強制非線形発振器の物理から得られる脳特性と理論的知見を用いて, 貯水池計算を設計できることが示唆された。

関連論文リスト

• Training-Free Universal Approximation by Prompting Random Transformers [48.556633593447465]
  ランダムで訓練されていない重みを持つソフトマックスアテンションネットワークは、適切なソフトプロンプトで操るとき、コンパクト多様体上の任意のハルダー関数を近似することができることを示す。 さらに、構築されたソフトプロンプトトークンのノルム、プロンプト長さ、隠された次元のトレードオフを明らかにすることで、プロンプトのコストを定量化する。
  論文  参考訳（メタデータ） (2026-08-10T12:57:22Z)
• Quantum Reservoir Computing: Recent Advances and Future Directions [34.77938621771246]
  量子貯水池計算(QRC)は、時間的およびシーケンシャルな入力を計測された特徴に変換するために、固定または弱調整量子システムの力学を利用する。 その計算力は、しばしば量子系の指数的に大きいヒルベルト空間に起因している。 ハードウェアでは、これらの機能は、有限サンプリング、ハードウェアノイズ、測定バックアクション、観測可能量の推定コストによってさらに制限される。
  論文  参考訳（メタデータ） (2026-07-20T22:38:49Z)
• Diagnosing quantum reservoirs at scale based on expressivity and coverage [42.13843953705695]
  量子貯水池は、量子機械学習へのハードウェアフレンドリーなルートを提供する。 貯水池は最適化されていないため、性能は貯水池の選択に依存する。 2つの相補的な量に基づいて構築されたスケーラブルでハードウェアに依存しないフレームワークを導入する。
  論文  参考訳（メタデータ） (2026-07-10T14:16:13Z)
• Recurrent Quantum Feature Maps for Reservoir Computing [0.6299766708197881]
  我々は、固定量子回路を再利用して現在の入力と過去の出力から導出される古典的なフィードバック信号の両方を符号化する、リカレント量子特徴写像に基づく貯水池を導入する。 我々は,最近導入したCP特徴量マップを用いて,Mackey-Glass の時系列予測タスク上でモデルを評価し,従来のベースラインよりも平均二乗誤差が低いことを示す。
  論文  参考訳（メタデータ） (2026-04-03T21:33:10Z)
• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• Oscillations enhance time-series prediction in reservoir computing with feedback [3.3686252536891454]
  貯留層コンピューティング(Reservoir computing)は、脳のモデリングに使用される機械学習フレームワークである。 貯水池系が不安定になるため、長期目標時系列を正確に再現することは困難である。 本研究では,振動駆動型貯水池計算 (ODRC) をフィードバックで提案する。
  論文  参考訳（メタデータ） (2024-06-05T02:30:29Z)
• Reservoir Computing with Generalized Readout based on Generalized Synchronization [0.0]
  貯留層コンピューティング(Reservoir computing)は、非線形力学を利用する機械学習フレームワークである。 本稿では,貯水池変数の非線形結合を含む一般化された読み出しを伴う新しい貯水池計算フレームワークを提案する。 数値実験により, 一般化された読み出しの導入は, 精度の大幅な向上と, 頑健さの予期せぬ向上につながることがわかった。
  論文  参考訳（メタデータ） (2024-05-03T10:03:59Z)
• QuantumReservoirPy: A Software Package for Time Series Prediction [44.99833362998488]
  我々は、量子貯水池が共通の構造に合うようにするためのソフトウェアパッケージを開発した。 本パッケージは, 量子貯水池構造の比較法の開発を簡略化し, 論理的手法を提示する。
  論文  参考訳（メタデータ） (2024-01-19T13:31:29Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• Effect of temporal resolution on the reproduction of chaotic dynamics via reservoir computing [0.0]
  貯水池コンピューティング(Reservoir computing)は、非線形性と短期記憶を備えた貯水池と呼ばれる構造を用いる機械学習パラダイムである。 本研究では,サンプリングが貯水池コンピューティングのカオス時系列を自律的に再生する能力に与える影響を解析する。
  論文  参考訳（メタデータ） (2023-01-27T13:31:15Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Natural quantum reservoir computing for temporal information processing [4.785845498722406]
  貯留層計算(Reservoir computing)は、人工的または物理的散逸動態を利用する時間情報処理システムである。 本稿では, 量子ビットに付加される自然ノイズによって散逸特性が供給される貯水池として, 現実の超伝導量子コンピューティングデバイスを用いる方法を提案する。
  論文  参考訳（メタデータ） (2021-07-13T01:58:57Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)

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。