論文の概要: Optimal Connectivity of Random Boolean Networks for Reservoir Computing

• arxiv url: http://arxiv.org/abs/2610.33498v1
• Date: Sat, 24 Oct 2026 06:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.346123
• Title: Optimal Connectivity of Random Boolean Networks for Reservoir Computing
• Title（参考訳）: 貯留層計算のためのランダムブールネットワークの最適接続性
• Abstract要約: 貯留層コンピューティングは、システムの内部ダイナミクスのトレーニングから、線形射影による有用な計算能力を示す動的設計へと焦点を移す。 本研究では,ランダムなブールネットワークを貯水池として,ランダムなリカレント配線と各ノードにおけるランダムな規則を持つセルオートマトンについて検討する。 入力がネットワークのエッジを共有する場合、接続は動的と入力を受信するノード数の両方を設定します。
• 参考スコア（独自算出の注目度）: 15.542596760008687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reservoir computing shifts the focus from training a system's internal dynamics to designing dynamics that expose useful computational capabilities via linear projection. We study random Boolean networks as reservoirs: cellular automata with random recurrent wiring and a random rule at each node. Their main parameter is the connectivity, the mean number of edges into a node. Without input, these networks pass from ordered to chaotic dynamics at a connectivity of 2, where their dynamics are expected to facilitate computation. How the input is connected is itself a design factor: if the input shares the network's edges, the connectivity sets both the dynamics and how many nodes receive the input, the input fan-out. We set the input fan-out separately and compare 7,560 reservoir designs, all combinations of six design factors, each built as many random reservoirs, on recalling the majority or the parity of a few input bits seen several steps earlier. The optimal connectivity falls from 2.5 to 1.75-2 as more nodes receive the input, but hardly depends on the task or on the other design factors, except self-loops, which connect a node to itself and raise the optimal connectivity. A measure computed from the reservoir states without a trained readout peaks at a connectivity that also falls with the fan-out and rises with self-loops, but does not replace training a readout. Reservoirs of one design vary widely, so a design should be judged by its typical reservoir.
• Abstract（参考訳）: 貯留層コンピューティングは、システムの内部ダイナミクスのトレーニングから、線形射影による有用な計算能力を示す動的設計へと焦点を移す。 本研究では,ランダムなブールネットワークを貯水池として,ランダムなリカレント配線と各ノードにおけるランダムな規則を持つセルオートマトンについて検討する。 主なパラメータは接続性、ノードへのエッジの平均数である。 入力なしでは、これらのネットワークは2の接続で秩序からカオス力学に遷移し、そのダイナミクスは計算を容易にすることが期待されている。 入力がネットワークのエッジを共有する場合、接続は動的と入力を受信するノード数の両方を設定します。 入力のファンアウトを別々に設定し、7,560個の貯水池設計と6つの設計要素の組み合わせを比較した。 最適な接続性は、多くのノードが入力を受け取ると2.5から1.75-2に低下するが、ノードを自身に接続し最適な接続性を高めるセルフループを除いて、タスクや他の設計要素にはほとんど依存しない。 トレーニング済みのリードアウトを伴わない貯水池の状態から計算した測定値は、ファンアウトと共に低下し、セルフループで上昇するが、リードアウトのトレーニングに取って代わるものではない。 1つの設計の貯水池は多種多様であるため、設計は典型的な貯水池によって判断されるべきである。

関連論文リスト

• Low-power analogue neural networks with trainable nonlinear connections for continuous control [54.59241649882409]
  物理ニューラルネットワークはアナログデバイス物理を直接計算することで低消費電力の機械学習を約束する。 トレーニング可能な非線形関数を接続上に配置し、各物理接続を学習可能な計算要素とする。 その利点はタスク依存であり、物理的基盤の滑らかさから従うことが分かる。
  論文  参考訳（メタデータ） (2026-06-21T15:55:23Z)
• Unrolled Neural Networks for Constrained Optimization [83.29547301151177]
  我々のフレームワークは、ラグランジアンのサドル点を共同で近似する2つの結合ニューラルネットワークで構成されている。 混合整数二次プログラムと無線ネットワークにおける電力配分に関する枠組みを数値的に評価する。
  論文  参考訳（メタデータ） (2026-01-24T03:12:41Z)
• Balancing Computation Load and Representation Expressivity in Parallel Hybrid Neural Networks [5.877451898618022]
  FlowHNは、ロードバランシングのさまざまな戦略に対応する、新しい並列ハイブリッドネットワークアーキテクチャである。 FlowHNの2つの革新的な差別化要因は、注意とSSMブランチの間で分割されたFLOP認識動的トークンである。
  論文  参考訳（メタデータ） (2025-05-26T03:52:22Z)
• Optimal Switching Networks for Paired-Egress Bell State Analyzer Pools [0.3613661942047476]
  ノードは静止記憶に絡み合った光子を放出し、光子は交換接続を介してベル状態解析器(BSA)の共有プールにルーティングされる 本稿では,シリコン導波路とMZI(Mach-Zehnder Interferometer)の2倍の2ドルスイッチポイントに適した平面配置に制約された配線の最適設計を提案する。 N$入力をペアリングするためには、$N(N - 2)/4$スイッチが必要である。
  論文  参考訳（メタデータ） (2024-05-16T07:38:34Z)
• Latent Iterative Refinement for Modular Source Separation [44.78689915209527]
  従来のソース分離アプローチは、すべてのデータを一度に利用できるように、ディープニューラルネットワークモデルをエンドツーエンドにトレーニングする。 我々は、トレーニングと推論の段階において、リソース効率を著しく向上させることができると論じる。
  論文  参考訳（メタデータ） (2022-11-22T00:02:57Z)
• Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
  本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。 組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
  論文  参考訳（メタデータ） (2022-08-08T03:13:24Z)
• Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
  選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。 このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。 A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
  論文  参考訳（メタデータ） (2021-10-26T17:39:18Z)
• Exploiting Multiple Timescales in Hierarchical Echo State Networks [0.0]
  エコー状態ネットワーク(ESN)は、線形出力重みのトレーニングのみを必要とする貯水池コンピューティングの強力な形態である。 ここでは,貯水池を2つの小さな貯水池に分割した階層型esnの時間スケールを考察する。
  論文  参考訳（メタデータ） (2021-01-11T22:33:17Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Prediction of wall-bounded turbulence from wall quantities using convolutional neural networks [0.0]
  完全畳み込みニューラルネットモデルを用いて,壁面正規位置の流速場を予測する。 様々なネットワークが3つの内部スケールの場所で予測するために訓練されている。
  論文  参考訳（メタデータ） (2019-12-30T15:34:41Z)

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。