利用连接组特征约束回声状态网络
机器学习
2023-02-13 v2 神经与进化计算
摘要
我们报告了仅使用果蝇连接组数据时，传统回声状态网络（ESN）在三项基准混沌时间序列预测任务上的改进。我们还研究了关键连接组衍生结构特征对预测性能的影响——独特地桥接了神经生物学结构与机器学习功能；并发现增大全局平均聚类系数以及通过改变权重突触-突触伙伴位置来修改权重，均可能导致模型方差增大以及（某些情况下）性能下降。总计我们考虑了对连接组衍生的ESN储备池（零模型）的四种拓扑点修改：即改变网络稀疏性、从均匀分布重绘非零权重、置换非零权重位置、以及增大网络全局平均聚类系数。我们通过在对Mackey-Glass 17（MG-17）、Lorenz与Rossler混沌时间序列的规模变体上进行时间序列预测实验，比较了四种所得ESN模型类——及零模型——与传统ESN，标示各模型在训练-验证试验中的性能与方差。
引用
@article{arxiv.2206.02094,
title = {Using Connectome Features to Constrain Echo State Networks},
author = {Jacob Morra and Mark Daley},
journal= {arXiv preprint arXiv:2206.02094},
year = {2023}
}
备注
8 pages, 5 figures