Zentralitätsbasiertes Pruning steigert Effizienz von Echo State Networks

Echo State Networks (ESNs) gehören zu den beliebtesten Ansätzen der Reservoir‑Computing‑Forschung und werden häufig für die Vorhersage nichtlinearer Zeitreihen eingesetzt. Trotz ihrer Leistungsfähigkeit führt die zufällige Initialisierung des Reservoirs oft zu einer Überzahl unnötiger Knoten, was zu übermäßigem Rechenaufwand und geringerer Effizienz führt.

In der neuen Studie wird das Reservoir als gewichteter, gerichteter Graph betrachtet und ein zentralitätsbasiertes Pruning‑Verfahren vorgestellt. Durch die Anwendung von Zentralitätsmaßen werden strukturell weniger wichtige Knoten identifiziert und entfernt, wodurch das Netzwerk schlanker wird, ohne seine wesentlichen dynamischen Eigenschaften zu verlieren.

Experimentelle Tests an der Mackey‑Glass‑Zeitreihe sowie an der Vorhersage des Stromverbrauchs zeigen, dass die Methode die Reservoirgröße signifikant reduziert, die Vorhersagegenauigkeit erhält und in einigen Fällen sogar verbessert. Damit bleibt die Kernfunktionalität des Reservoirs erhalten, während die Rechenleistung deutlich gesteigert wird.