論文の概要: Analyzing the Dynamics of WSBM-based Echo State Networks using InputDSA
- arxiv url: http://arxiv.org/abs/2610.15380v1
- Date: Sun, 11 Oct 2026 06:08:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.206075
- Title: Analyzing the Dynamics of WSBM-based Echo State Networks using InputDSA
- Title（参考訳）: InputDSAを用いたWSBMベースエコー状態ネットワークのダイナミクス解析
- Abstract要約: 生物学的脳と人工ニューラルネットワークの間の構造的ギャップを埋めることによって、計算力学を変える経路が提示される。
本稿では,ランダムネットワークを生物学的に現実的なモジュラリティに置き換えるReservoir Computing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）: 0.6107978190324033
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Bridging the structural gap between biological brains and artificial neural networks presents a pathway to altered computational dynamics. This paper introduces a Reservoir Computing framework that replaces random networks with biologically realistic modularity by applying the Weighted Stochastic Block Model (WSBM) to Echo State Networks (ESNs). This topological parameterization constructs reservoirs reflecting latent functional sub-circuits. Furthermore, the integration of Input Dynamical Similarity Analysis (InputDSA) provides a mechanism to isolate and compare how structural priors modulate intrinsic recurrent dynamics versus external inputs. By evaluating these architectures, we establish that structural diversity does not necessarily predicts behavioral diversity across the selected network subset. Furthermore, our demixed analysis confirms Anna Karenina principle of dynamics, demonstrating that environmental constraints enforce dynamical convergence in successful agents, while failing networks degenerate into idiosyncratic trajectories.
- Abstract（参考訳）: 生物学的脳と人工ニューラルネットワークの間の構造的ギャップを埋めることによって、計算力学を変える経路が提示される。
本稿では,Echo State Networks(ESNs)にWSBM(Weighted Stochastic Block Model)を適用することにより,ランダムネットワークを生物学的に現実的なモジュラリティに置き換えるReservoir Computingフレームワークを提案する。
この位相パラメータ化は潜在機能サブ回路を反映する貯留層を構成する。
さらに、入力動的類似分析(Input Dynamical similarity Analysis, 入力DSA)の統合は、構造的先行が内在的リカレント力学と外部入力をどのように変調するかを分離し比較するメカニズムを提供する。
これらのアーキテクチャを評価することで、構造的多様性が選択されたネットワークサブセット間の振る舞いの多様性を必ずしも予測しないことを示す。
さらに, このデミックス分析により, 環境制約がエージェントの動的収束を強制する一方で, ネットワークは慣用性軌道に縮退することを示した。
関連論文リスト
- Data-driven discrete-time deep recurrent neural network-based modeling for dissipative systems [0.0]
本稿では,ディシパティビティを明示的に強制するディープ離散時間散逸型リカレントニューラルネットワーク(DissipNet)を提案する。
構築により、提案ネットワークは、その固有の安定性を保ちながら、散逸ダイナミクスを学習することができる。
論文 参考訳（メタデータ） (2026-09-23T00:48:12Z) - Controlled Dynamics Attractor Transformer [58.15454173718687]
トランスフォーマーアーキテクチャは自己認識機構を通じて深層モデルにおける高度な表現学習と推論を行う。
並行して、連想記憶(AM)フレームワークはエネルギーランドスケープに表現をマッピングし、解釈可能な検索メカニズムを提供する。
我々は,ミセス・フィッシャー (Mo-vMF) の注意エネルギーとホップフィールド精製エネルギーを混合した制御型ダイナミクス・アトラクタ変換器 (CCAT) を提案する。
CCATは、グラフ異常検出とグラフ分類において、複数のベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-06-13T09:04:22Z) - TIDE: Asymmetric Neural Circuits for Stabilized Temporal Inhibitory-Excitatory Dynamics [51.37317469455798]
最近のContinuous Thought Machineアーキテクチャは、ニューラルダイナミクスを介して外部入力から内部計算を分離している。
非対称な興奮抑制(E-I)ネットワークを用いたニューラルダイナミクスのモデル化を提案する。
本稿では、神経力学を安定化させて内部表現を計算する、神経に触発されたアーキテクチャであるTIDE(Temporal Inhibitory-Excitatory Dynamic Engine)を紹介する。
論文 参考訳（メタデータ） (2026-05-19T05:59:13Z) - Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
我々はKirchhoff-Inspired Neural Network (KINN)を提案する。
KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
論文 参考訳（メタデータ） (2026-03-25T06:17:31Z) - 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) - Dynamical Learning in Deep Asymmetric Recurrent Neural Networks [1.3421746809394772]
非対称なディープリカレントニューラルネットワークは、指数関数的に大きく、密度の高い内部表現の多様体を生み出すことを示す。
本稿では,再帰的ダイナミクスからインプット・アウトプット・アソシエーションが自然に出現する分散学習手法を提案する。
論文 参考訳（メタデータ） (2025-09-05T12:05:09Z) - Dynamic Reservoir Computing with Physical Neuromorphic Networks [0.0]
物理システムを用いた貯留層計算(RC)では、基礎となる構造と特定の物理貯水池の内部力学を理解する必要がある。
ニューロモルフィック力学を持つ物理ナノエレクトロニクスネットワークをRCフレームワークの物理貯留体として使用するために検討した。
間隔の異なるネットワークは、高密度ネットワークと比較して動的RCに対してより有用な非線形時間出力を生成する。
論文 参考訳（メタデータ） (2025-05-22T15:50:45Z) - Conditionally Parameterized, Discretization-Aware Neural Networks for
Mesh-Based Modeling of Physical Systems [0.0]
入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。
条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。
CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
論文 参考訳（メタデータ） (2021-09-15T20:21:13Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Input-to-State Representation in linear reservoirs dynamics [15.491286626948881]
貯留層コンピューティングは、リカレントニューラルネットワークを設計するための一般的なアプローチである。
これらのネットワークの動作原理は、完全には理解されていない。
このようなネットワークの力学の新たな解析法を提案する。
論文 参考訳（メタデータ） (2020-03-24T00:14:25Z)
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。