Reservoir Computing: uma Abordagem Conceitual
DOI:
https://doi.org/10.17921/1890-1793.2018v13n13p09-12Resumo
Reservoir computing é um paradigma de rede neural recorrente construída de forma aleatória, onde sua camada intermediária não necessita ser treinada. O presente artigo sintetiza os principais conceitos, métodos e pesquisas recentes realizadas sobre o paradigma de reservoir computing, objetivando servir como apoio teórico para outros artigos. Foi realizada uma revisão bibliográfica fundamentada em bases de conhecimento científico confiáveis enfatizando pesquisas compreendidas no período de 2007 a 2017 e direcionadas à implementação e otimização do paradigma em questão. Como resultado do trabalho, tem-se a apresentação de trabalhos recentes que contribuem de forma geral para o desenvolvimento de reservoir computing, e devido à atualidade do tema, é apresentada uma diversidade de tópicos abertos à pesquisa, podendo servir como norteamento para a comunidade científica.
Palavras-chave: Aprendizado de Máquina. Inteligência Artificial. Redes Neurais Recorrentes.
Abstract
Reservoir computng is a randomly constructed recurrent neural network paradigm, where the hidden layer does not need to be trained. This article summarizes the main concepts, methods and recent researches about reservoir computing paradigm, aiming to offer a theoretical support for other articles. Were made a bibliographic review based on reliable scientific knowledge bases, emphasizing researches published between 2007 and 2017 and focused on implementation and optimization of aforementioned paradigm. As a result, there's a report of recent articles that contribute in general to the development of reservoir computing, and due to its topicality, a diversity of topics that are still open to research are given, that may possibly work as a guide for the research community.
Keywords: Artificial Intelligence. Machine Learning. Recurrent Neural Network.
Referências
BACCIU, D. et al. An experimental characterization of reservoir computing in ambient assisted living applications. Neural Comp. Applic., v.24, n.6, p.1451-1464, 2013.
BENINI, F.A.V. Rede neural recorrente com perturbação simultânea aplicada no problema do caixeiro viajante. São Carlos: Universidade de São Paulo, 2008.
FERREIRA, A.A. Um método para design e treinamento de reservoir computing aplicado à previsão de séries temporais. Recife: Universidade Federal de Pernambuco, 2011.
GRANDO, N. et al. Forecasting electric energy demand using a predictor model based on liquid state machine. Int. J. Artificial Int. Expert Syst., v.1, n.2, 2010.
JAEGER. H. The “echo state” approach to analysing and training recurrent neural networks. no 148. GMD - German National Research Institute for Computer Science, 2001. Disponível em: <http://www.faculty.jacobs-university.de/hjaeger/pubs/EchoStatesTechRep.pdf>. Acesso em 2 out 2017.
JALALVAND, A. et al. On the application of reservoir computing networks for noisy image recognition. Neurocomputing, 2017.
LUDERMIR, T.B.; SERGIO, A.T. Artificial Neural Networks and Machine Learning – ICANN 2012. Lecture Notes Computer Sci., v.7552, p.685-692, 2012.
MAASS, W. et al. Real-time computing without stable states: a new framework for neural computation based on perturbations. Neural Comp., v.14, n.11, p.2531-2560, 2002.
MARTIN, C.E.; REGGIA, J.A. Fusing swarm intelligence and self-assembly for optimizing echo state networks. Comp. Intel. Neurosc., v.2015, p.1-15, 2015.
SERGIO, A.T. Otimização de reservoir computing com PSO. 2013. Pernambuco: Universidade Federal de Pernambuco, 2013.
VERSTRAETEN, D. et al. An experimental unification of reservoir computing methods. Neural Networks, v.20, n.3, p.391-403, 2007.
VERSTRAETEN, D. et al. Oger: Modular learning architectures for large-scale sequential processing. 2012. Disponível em: <http://www.jmlr.org/papers/v13/verstraeten12a.html>. Acesso em: 23 out. 2017.
WANG, J.; HAN, S.; SHEN, N.. Improved GSO Optimized ESN Soft-Sensor Model of Flotation Process Based on Multisource Heterogeneous Information Fusion. Scie. World J., v.2014, p.1-12, 2014.
