实体
Matteo Pinna
Matteo Pinna
PulseAugur coverage of Matteo Pinna — every cluster mentioning Matteo Pinna across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的深度残差回声状态网络增强了RNN的记忆容量
研究人员推出了一种新型未训练循环神经网络——深度残差回声状态网络（DeepResESNs），旨在提高记忆容量和长期时间建模能力。通过在未训练循环层层次结构中引入时间残差连接，DeepResESNs提高了时间序列任务的性能。该研究探讨了这些连接的各种正交配置，并提供了网络动力学稳定的数学条件，在不牺牲计算效率的情况下，展示了优于传统Reservoir Computing方法的预测精度。
-
ParalESN 通过并行处理增强循环神经网络
研究人员推出了一种新颖的循环神经网络方法 ParalESN，该方法通过实现时间数据的并行处理来增强可扩展性。该方法利用复域中的对角线线性递归来构建高效、高维的循环核，同时保留了传统回声状态网络的关键特性。ParalESN 在准确性方面与现有的循环神经网络和深度学习模型相比具有竞争力，并提供了显著的计算节省。
-
新型残差水库记忆网络增强了RNN
研究人员开发了一种新型循环神经网络，称为残差水库记忆网络（ResRMNs）。该模型结合了线性记忆水库和使用残差正交连接的非线性水库，以改善长期数据传播。使用线性稳定性分析对水库状态的动力学进行了分析，并探索了时间残差连接的各种配置。在时间序列和像素级分类任务上的实验表明，ResRMNs的性能优于传统的计算水库模型。