研究剖析回声状态网络在少样本序列任务上的能力边界

Mario Mallea、Angela Nebot 和 Francisco Mugica 在 arXiv 发布论文（arXiv:2610.19997），对回声状态网络（ESN）在少样本序列到序列模式任务上的分布、架构和优化变体进行经验分析，并与先进模型比较性能边界。任务为离散符号序列的合成任务，通过延迟、静默期和触发标记隔离评估记忆与模式识别能力。 摘要称，保持线性状态有助于模式补全和简单复制等记忆任务；作者提出数据依赖的非线性输入注入机制 G-ESN，称其可作为统计滤波器解决传统 ESN 无法解决的 adding problem 和括号匹配；并发现 Deep ESN 的跨层共享读出在选择性复制、排序和括号匹配等结构任务中优于传统拼接读出。当输入采用 one-hot 编码时，ESN 动态仅由权重分布决定。 材料仅提供论文摘要，实验规模、基线细节和代码信息未说明。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。