- Динамическое обучение машин жидкого состояния (arXiv)
Автор: Павитра Коралалаге, Педро Мачадо, Джейсон Смит, Исибор Кеннеди Ихианле, Салису Вада Яхая, Андреас Ойконому, Ахмад Лотфи.
Аннотация: Spiking Neural Networks (SNN) появились как многообещающее решение в области искусственных нейронных сетей (ANN), привлекая внимание исследователей благодаря их способности имитировать человеческий мозг и обрабатывать сложную информацию с поразительной скоростью и точностью. Это исследование было направлено на оптимизацию процесса обучения машин с жидкими состояниями (LSM), рекуррентной архитектуры SNN, путем определения наиболее эффективного диапазона весов, который должен быть назначен в SNN для достижения наименьшей разницы между желаемым и фактическим результатом. Экспериментальные результаты показали, что с помощью метрик спайков и диапазона весов можно эффективно оптимизировать желаемый и фактический результат спайковых нейронов, что приводит к повышению производительности SNN. Результаты были проверены и подтверждены с использованием трех различных подходов к инициализации веса, при этом наилучшие результаты были получены с использованием метода случайного графика Барабаси-Альберта.
2. Отслеживание отражений с помощью машины в жидком состоянии в ТГц-коммуникациях с помощью RIS (arXiv)
Автор: Хосейн Зарини, Наргес Голипур, Мохамад Робат Мили, Мехди Расти, Хина Табассум, Экрам Хоссейн.
Аннотация: Пассивное формирование луча в реконфигурируемых интеллектуальных поверхностях (RIS) обеспечивает осуществимый и эффективный способ связи, когда коэффициенты отражения RIS точно настроены. В этой статье мы представляем структуру для отслеживания коэффициентов отражения RIS с помощью глубокого обучения с точки зрения прогнозирования временных рядов в терагерцовой (ТГц) системе связи. Предлагаемая структура достигает двухэтапного улучшения по сравнению с аналогичными аналогами, ориентированными на обучение. В частности, на первом этапе мы обучаем машину жидкого состояния (LSM) отслеживать исторические коэффициенты отражения RIS на предыдущих временных шагах (известных как последовательность временных рядов) и прогнозировать их предстоящие временные шаги. Мы также настраиваем обученный LSM с помощью метода инициализации Xavier, чтобы уменьшить дисперсию прогноза, что приводит к более высокой точности прогноза. На втором этапе мы используем метод ансамблевого обучения, который использует мощность прогнозирования нескольких LSM, чтобы минимизировать дисперсию прогноза и повысить точность первого шага. Численно продемонстрировано, что на первом этапе использование метода инициализации Xavier для точной настройки LSM приводит к снижению дисперсии предсказания LSM не более чем на 26% и достижимому улучшению спектральной эффективности (SE) на 46% по сравнению с существующими аналогами. при развертывании RIS размером 11x11. На втором этапе, при той же вычислительной сложности обучения одного LSM, обучение ансамбля с несколькими LSM снижает дисперсию предсказания одного LSM до 66% и улучшает достижимую SE системы не более чем на 54%.
