echo-state-networks

本文提出了一种基于自由概率核的储备计算确定性超参数选择方法，该方法消除了对资源密集型 rollout 的需求，并以显著更低的成本实现了与穷举搜索相似的性能。

提出了一种基于扰动的学习规则，用于Echo State Networks中的在线自监督学习，通过分解学习成本并仅扰动输入相关部分，避免了依赖于储层大小的方差增长。

本文介绍FRESCO，一种完全在频域运行的回声状态网络架构，将密集递归更新的复杂度降至O(N)，在基准测试上达到最先进性能的同时降低了计算成本。

介绍了EARLY，一个用于进化多储层回声状态网络的进化框架，它在时序学习任务上优于随机搜索，并展现出任务依赖的结构差异。