Explorando redes de estados de eco profundas para la clasificación de imágenes: un enfoque de múltiples reservorios

Resumen Las redes de estados de eco (ESNs) pertenecen a la clase de redes neuronales recurrentes y han demostrado un rendimiento sólido en tareas de predicción de series temporales. En este estudio, investigamos la capacidad de diferentes arquitecturas de ESN para capturar relaciones espaciales en imágenes sin transformarlas en secuencias temporales. Comenzamos con tres arquitecturas preexistentes basadas en ESN y mejoramos su diseño incorporando múltiples capas de salida, personalizándolas para una tarea de clasificación. Nuestra investigación implica un examen del comportamiento de estas redes modificadas, junto con una comparación de rendimiento exhaustiva contra la arquitectura ESN básica. Nuestros experimentos en el conjunto de datos MNIST revelan que una red con múltiples reservorios independientes funcionando en paralelo supera a otras arquitecturas basadas en ESN para esta tarea, logrando una precisión de clasificación del 98.43%. Esta mejora en la arquitectura clásica de ESN se acompaña de tiempos de entrenamiento reducidos. Aunque la precisión de las arquitecturas basadas en ESN está por detrás de la de las arquitecturas basadas en redes neuronales convolucionales, los tiempos de entrenamiento significativamente más bajos de los ESNs con múltiples reservorios operando en paralelo los convierten en una opción atractiva para aprender relaciones espaciales en escenarios que priorizan la eficiencia energética y el entrenamiento rápido. Esta arquitectura de ESN de múltiples reservorios supera las limitaciones estándar de ESN respecto a los requisitos de memoria y los tiempos de entrenamiento para redes grandes, proporcionando predicciones más precisas que otros modelos basados en ESN. Estos hallazgos contribuyen a una comprensión más profunda del potencial de los ESN como herramienta para la clasificación de imágenes.