ETD

Archivio digitale delle tesi discusse presso l'Università di Pisa

Tesi etd-09022018-145336


Tipo di tesi
Tesi di laurea magistrale
Autore
CARIAGGI, FRANCESCO
Indirizzo email
f.cariaggi4@gmail.com
URN
etd-09022018-145336
Titolo
Efficient linear algebra approaches to Echo State Networks training and regularization
Dipartimento
INFORMATICA
Corso di studi
INFORMATICA
Relatori
relatore Prof. Micheli, Alessio
relatore Prof. Poloni, Federico
relatore Dott. Pedrelli, Luca
Parole chiave
  • regressione lineare
  • randomized SVD
  • random projection
  • random matrix
  • proiezione casuale
  • processamento di sequenze
  • predizione di serie temporali
  • offline learning
  • matrix inversion
  • matrix computation
  • matrix approximation
  • matrice casuale
  • least squares regression
  • learning algorithms
  • inversione di matrici
  • dimensionality reduction
  • decomposizione ai valori singolari
  • calcolo matriciale
  • approssimazione di matrici
  • apprendimento supervisionato
  • apprendimento offline
  • algoritmi di apprendimento
  • reservoir computing
  • riduzione della dimensionalità
  • sequence processing
  • singular value decomposition
  • supervised learning
  • SVD randomizzata
  • time series prediction
Data inizio appello
05/10/2018
Consultabilità
Non consultabile
Data di rilascio
05/10/2088
Riassunto
Le Echo State Network (ESN) rappresentano un approccio efficiente alla modellazione ed al training di reti neurali ricorrenti. In questo lavoro si analizza l'efficacia di algoritmi randomizzati basati su sketching di matrici per il training di tali reti, sia in termini di efficienza computazionale che di capacità di regolarizzazione.

Echo State Networks (ESNs) represent an efficient approach to recurrent neural network modeling and training. In this work, we investigate the effectiveness of randomized algorithms based on matrix sketching to train such networks, both in terms of computational efficiency and of regularization capabilities.
File