Краткое содержание

arXiv:2509.24122v2 Тип объявления: replace Аннотация: В основе прогнозирования временных рядов (TSF) лежит фундаментальная проблема: как моделям эффективно и действенно улавливать долгосрочные временные зависимости в постоянно растущих последовательностях? Хотя глубокое обучение принесло значительный прогресс, традиционные архитектуры часто сталкиваются с компромиссом между вычислительной сложностью и их способностью сохранять накапливаемую информацию на протяженных горизонтах. Сети с эхо-состояниями (Echo State Networks, ESN), класс моделей резервуарных вычислений, в последнее время вновь привлекают внимание благодаря своей исключительной эффективности, предлагая постоянное использование памяти и сложность обучения на один шаг, не зависящие от длины входных данных. Это делает их особенно привлекательными для моделирования чрезвычайно долгосрочной истории событий в TSF. Однако традиционные ESN не дотягивают до современных показателей из-за их ограниченной нелинейной способности, что сковывает как их выразительность, так и устойчивость. Мы представляем Сети с эхо-потоком (Echo Flow Networks, EFNs) — фреймворк,