echo state network
PulseAugur coverage of echo state network — every cluster mentioning echo state network across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型自适应模型增强混沌时间序列预测能力
研究人员开发了一种新的自适应非线性向量自回归（NVAR）模型，该模型能够改进对噪声和混沌时间序列数据的预测。该模型将线性输入与可训练多层感知器（MLP）生成的特征相结合，使其能够学习数据驱动的非线性。与传统的NVAR和水库计算方法不同，这种自适应方法通过基于梯度的优化进行联合训练，提高了可扩展性和预测精度，尤其是在噪声条件下。实验表明，该模型在Lorenz-63模型和厄尔尼诺-南方涛动等混沌系统上优于标准的NVAR和回声状态网络。
-
量子和经典模型在节能预测方面的比较
一篇新的研究论文探讨了非线性预测模型的性能和能源效率，将经典方法与模拟量子模型进行了比较。该研究评估了跨多个数据集的各种配置，测量了准确性、速度、内存使用和能源消耗。虽然具有 Transformer 读出的连续变量量子储层计算 (QRC) 实现了最佳预测准确性，但传统的回声状态网络和岭滞模型展示了卓越的持续能源效率。
-
新研究应对LLM代理漏洞，从安全基准到高级防御
近期研究探索增强大型语言模型（LLM）代理的可靠性和安全性。一项研究引入了DiagChain，一个用于评估LLM代理在网络安全攻击链重建方面的基准，揭示即使是先进模型在证据整合和排序方面也存在困难。另一篇论文MAFIA展示了一个仅查询的攻击框架，该框架利用LLM代理中的内存模块，在逃避检测的同时取得了高成功率。为了对抗这些漏洞，正在开发新方法，包括一个经过验证的工具调用包装器，它提高了在非原子故障下的可靠性，以及一个名为$S^3$的多…
-
新型量子启发式模型实现可扩展序列学习
研究人员开发了一个名为 gated QKAN-FWP 的新型量子启发式序列学习框架，该框架将快速权重编程器 (FWP) 与量子启发式 Kolmogorov-Arnold 网络 (QKAN) 相结合。该方法利用单量子比特数据重新上传电路作为非线性激活，并结合标量门控更新规则以实现稳定的参数演化。该框架在时间序列预测（包括太阳周期预测）方面表现出色，其参数量远少于经典模型，但性能更优。
-
CogScale基准加速AI序列处理评估
研究人员推出CogScale，一个旨在高效评估AI架构序列处理能力的新基准。该基准包含14个可扩展的合成任务，允许在进行大量训练之前快速验证新设计。使用CogScale进行的初步评估测试了包括GRU、LSTM、Mamba和Transformer变体在内的七种不同架构，涵盖了各种参数预算和难度级别。
-
基于忆阻器的AI系统在高效学习和神经形态计算方面展现出潜力
研究人员正在探索自组织忆阻网络（SOMNs）作为人工智能的传统硬件的物理替代方案，旨在实现节能、类脑的持续学习。这些网络利用纳米级电阻式存储器元件的独特动力学来执行计算。最近的工作表明，它们在图像分类方面具有高精度和对器件变化的鲁棒性，并在时间序列分类方面表现出色，优于传统的基于梯度的模型，同时大大缩短了训练时间。