Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Fine-Grained Channel Pruning for Deep Residual Neural Networks Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Quantifying Robustness and Capacity of Reservoir Computers with Consistency Profiles

verfasst von : Thomas Lymburn, Thomas Jüngling, Michael Small

Erschienen in: Artificial Neural Networks and Machine Learning – ICANN 2020

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We study the consistency property in reservoir computers with noise. Consistency quantifies the functional dependence of a driven dynamical system on its input via replica tests. We characterise the high-dimensional profile of consistency in typical reservoirs subject to intrinsic and measurement noise. An integral of the consistency is introduced to measure capacity and act as an effective size of the reservoir. We observe a scaling law in the dependency of the consistency capacity on the noise amplitude and reservoir size, and demonstrate how this measure of capacity explains performance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Analysis of Reservoir Structure Contributing to Robustness Against Structural Failure of Liquid State Machine
Nächstes Kapitel Two-Step FORCE Learning Algorithm for Fast Convergence in Reservoir Computing
Literatur
1.
Appeltant, L., et al.: Information processing using a single dynamical node as complex system. Nat. Commun. 2, 468 (2011)CrossRef
2.
Bueno, J., Brunner, D., Soriano, M.C., Fischer, I.: Conditions for reservoir computing performance using semiconductor lasers with delayed optical feedback. Opt. Exp. 25(3), 2401 (2017)CrossRef
3.
4.
5.
Dambre, J., Verstraeten, D., Schrauwen, B., Massar, S.: Information processing capacity of dynamical systems. Sci. Rep. 2, 514 (2012)CrossRef
6.
Jaeger, H.: The “echo state” approach to analysing and training recurrent neural networks-with an erratum note. German National Research Center for Information Technology GMD Technical Report 148 (2001)
7.
Jaeger, H.: Short term memory in echo state networks. German National Research Center for Information Technology GMD Technical Report 152 (2002)
8.
Jaeger, H., Haas, H.: Harnessing nonlinearity: predicting chaotic systems and saving energy in wireless communication. Science 304(5667), 78 (2004)CrossRef
9.
Jüngling, T., Soriano, M.C., Oliver, N., Porte, X., Fischer, I.: Consistency properties of chaotic systems driven by time-delayed feedback. Phys. Rev. E 97, 042202 (2018)CrossRef
10.
11.
Lukoševičius, M., Jaeger, H.: Reservoir computing approaches to recurrent neural network training. Comput. Sci. Rev. 3(3), 127 (2009)CrossRef
12.
Lymburn, T., Khor, A., Stemler, T., Corréa, D.C., Small, M., Jüngling, T.: Consistency in echo-state networks. Chaos 29(2), 023118 (2019)CrossRef
13.
Nakayama, J., Kanno, K., Uchida, A.: Laser dynamical reservoir computing with consistency: an approach of a chaos mask signal. Opt. Exp. 24(8), 8679 (2016)CrossRef
14.
Oliver, N., Jüngling, T., Fischer, I.: Consistency properties of a chaotic semiconductor laser driven by optical feedback. Phys. Rev. Lett. 114, 123902 (2015)CrossRef
15.
Pathak, J., Hunt, B., Girvan, M., Lu, Z., Ott, E.: Model-free prediction of large spatiotemporally chaotic systems from data: a reservoir computing approach. Phys. Rev. Lett. 120, 024102 (2018)CrossRef
16.
Rodan, A., Tino, P.: Minimum complexity echo state network. IEEE Trans. Neural Netw. 22(1), 131 (2011)CrossRef
17.
Schumacher, J., Haslinger, R., Pipa, G.: Statistical modeling approach for detecting generalized synchronization. Phys. Rev. E 85, 056215 (2012)CrossRef
18.
Semenova, N., Porte, X., Andreoli, L., Jacquot, M., Larger, L., Brunner, D.: Fundamental aspects of noise in analog-hardware neural networks. Chaos 29(10), 103128 (2019)MathSciNetCrossRef
19.
Soriano, M.C., Van der Sande, G., Fischer, I., Mirasso, C.R.: Synchronization in simple network motifs with negligible correlation and mutual information measures. Phys. Rev. Lett. 108, 134101 (2012)CrossRef
20.
Tanaka, G.: Recent advances in physical reservoir computing: a review. Neural Netw. 115, 100 (2019)CrossRef
21.
Uchida, A., McAllister, R., Roy, R.: Consistency of nonlinear system response to complex drive signals. Phys. Rev. Lett. 93, 244102 (2004)CrossRef
Metadaten
Titel
Quantifying Robustness and Capacity of Reservoir Computers with Consistency Profiles
verfasst von
Thomas Lymburn
Thomas Jüngling
Michael Small
Copyright-Jahr
2020
Buch
Artificial Neural Networks and Machine Learning – ICANN 2020

Print ISBN: 978-3-030-61615-1

Electronic ISBN: 978-3-030-61616-8

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-61616-8_36