标签
该论文提出CGDT-CESN——一种基于变量相关性引导并进行跨簇权重训练的聚类回声状态网络，用于多变量时间序列预测，在Twitter信息级联与太阳风预测数据集上优于传统ESN。
本文使用Reservoir Computing框架对Caenorhabditis elegans的连接组进行基准测试，揭示了生物神经网络在计算任务中可能不会优于随机化模型。
本文研究使用 Reservoir Computing，特别是 Echo State Networks，来预测跳跃的四分之一车模型中的非线性振荡，展示了在智能驾驶应用中用于数据驱动的混沌车辆动力学预测的可行性。
本文提出了一种条件生成潜在框架，用于编码连接组图，实现储备池计算中的重建、生成和功能分析，并提供任务特定结构机制的见解。
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。
介绍了一种受Lindblad启发的多时间尺度储备池架构，将旋转与耗散分离，从而独立控制混合、记忆和稳定性，在NARMA-20和Lorenz-63等基准上取得了有竞争力的结果。
本文提出了一种利用储备池计算回收动态规划计算过程的方法，用于解决组合优化问题，在旅行商问题和子集和问题上实现了更高的近似精度和更短的计算时间。
本文提出“可学习新奇性”作为统计、复杂系统和自适应行为中智能的统一原理，并提供了一个使用储层计算的可微估计器，该估计器无需任何监督即可展示复杂性生成、抽象和探索。
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。
本文讨论了储层计算（一种简化的神经网络，常被称为AI的表亲）如何被应用于控制软体机器人，提供高效且自适应的控制方案。
本文提出了一种结合中性原子储层计算和自编码器的混合量子-经典管道，用于医学图像分类，特别是息肉检测。该研究通过引入代理模型解决了量子测量不可微分的问题，从而实现了端到端训练。