A novel Reservoir Architecture for Periodic Time Series Prediction

要約

この論文では、リザーバー コンピューティングを使用して周期時系列を予測する新しいアプローチを紹介します。
このモデルは、音楽リズムの生成などのタスクにとって重要な要素であるリズムを正確に予測できるように調整されています。
リザーバーコンピューティングを活用することで、私たちが提案する方法は、最終的に人間のリズム認識を予測することを目的としています。
私たちのネットワークは、人間の周波数知覚範囲内のリズミカルな信号を正確に予測します。
モデル アーキテクチャには、リズミカルな情報を捕捉して送信する役割を担う一次ニューロンと中間ニューロンが組み込まれています。
c と k で示される 2 つのパラメーター行列は、貯留層の全体的なダイナミクスを制御します。
我々は、トレーニング後に c を適応させるための損失関数を提案し、顕著な貢献を持つ領域に焦点を当てるように $k$ を調整する動的選択 (DS) メカニズムを導入します。
多様なテストセットでの実験結果は正確な予測を示しており、c と k を介したリザーバーのリアルタイム調整によってさらに改善されました。
比較評価により、従来モデルと比較して優れた性能が強調されます。

要約(オリジナル)

This paper introduces a novel approach to predicting periodic time series using reservoir computing. The model is tailored to deliver precise forecasts of rhythms, a crucial aspect for tasks such as generating musical rhythm. Leveraging reservoir computing, our proposed method is ultimately oriented towards predicting human perception of rhythm. Our network accurately predicts rhythmic signals within the human frequency perception range. The model architecture incorporates primary and intermediate neurons tasked with capturing and transmitting rhythmic information. Two parameter matrices, denoted as c and k, regulate the reservoir’s overall dynamics. We propose a loss function to adapt c post-training and introduce a dynamic selection (DS) mechanism that adjusts $k$ to focus on areas with outstanding contributions. Experimental results on a diverse test set showcase accurate predictions, further improved through real-time tuning of the reservoir via c and k. Comparative assessments highlight its superior performance compared to conventional models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google