PyRCN：用于储备池计算网络探索与应用的工具箱
机器学习
2022-05-31 v3
摘要
储备池计算网络（RCNs）属于一类机器学习技术，其将输入空间非线性地投影到高维特征空间，从而可线性求解底层任务。RCNs 的流行变体能够以与广泛使用的深度神经网络等同的方式解决复杂任务，但基于线性回归的训练范式则简单得多。本文中，我们展示如何用小而明确定义的基本构件统一描述 RCNs，并介绍 Python 工具箱 PyRCN（Python Reservoir Computing Networks），用于在任意大规模数据集上优化、训练与分析 RCNs。该工具基于广泛使用的科学计算包，并遵循 scikit-learn 接口规范。它提供了用于 RCNs 教学与探索性分析的平台，以及将 RCNs 应用于含序列处理复杂任务的框架。借助少量基本构件，该框架允许实现众多不同的 RCN 架构。我们提供了如何为时间序列预测与序列分类任务搭建 RCNs 的代码示例。在基准任务上，PyRCN 比参考工具箱快约十倍，同时所需样板代码显著更少。
引用
@article{arxiv.2103.04807,
title = {PyRCN: A Toolbox for Exploration and Application of Reservoir Computing Networks},
author = {Peter Steiner and Azarakhsh Jalalvand and Simon Stone and Peter Birkholz},
journal= {arXiv preprint arXiv:2103.04807},
year = {2022}
}
备注
Preprint accepted for publication in Engineering Applications of Artificial Intelligence