Научный семинар "Близость обучаемых матриц как показатель важности обучения резервуаров на нескольких траекториях"

Докладчик: Громов Н.В., м.н.с. ННГУ
Резервуарные вычисления - это концепция в области искусственного интеллекта и нейронных сетей, основанная на использовании динамической системы для обработки временных последовательностей данных. Основной компонент модели, называемый "резервуаром", представляет собой случайную, фиксированную нейронную сеть нейронов накопление-сброс. Резервуар получает входные данные, обрабатывает их посредством сложной внутренней  динамики, и затем передает результаты на выходной слой. Ключевая особенность резервуарных вычислений заключается в том, что в то время как входной и выходной слои могут быть обучены или настроены, сам резервуар остается неизменным. Это упрощает процесс обучения и снижает вычислительные затраты, так как не требует обучения всех слоев нейронной сети. Резервуарные вычисления часто используются для задач, связанных с обработкой временных рядов и других данных, где важно учитывать временную последовательность событий. 
Интересной и важной задачей, в которой резервуарные вычисления успешно используются, является реконструкция аттрактора. В представленной работе проведены численные эксперименты для проверки гипотезы, которая подразумевает, что во время обучения на нескольких траекториях выходные матрицы будут ближе, чем больше траекторий было взято в обучение. Полученные результаты могут помочь наиболее качественным образом спланировать процесс обучения в задачах восстановления аттрактора, в частности, в задачах восстановления аттрактора системы по данным реальных (например, биологических) экспериментов.