Memory-DD: Neuer, einfacher Neuronentyp für zeitliche Vorhersagen

In einer kürzlich veröffentlichten Studie auf arXiv wird Memory-DD vorgestellt – ein neuronales Modell, das die Vorteile dendritischer Strukturen nutzt, um komplexe zeitliche Muster mit minimalem Rechenaufwand zu erkennen. Durch die Kombination von zwei dendritischen Neuronengruppen, die keine klassischen Aktivierungsfunktionen enthalten, gelingt es Memory-DD, dennoch nichtlineare Zusammenhänge in Sequenzdaten abzubilden.

Der Ansatz konzentriert sich speziell auf die Erfassung von zeitlichen Abhängigkeiten, die in vielen Echtzeit-Anwendungen wie Sensorüberwachung, Finanzprognosen und Verkehrssteuerung entscheidend sind. Im Gegensatz zu bisherigen dendritischen Neuronen, die vorwiegend für statische Daten konzipiert wurden, ermöglicht Memory-DD sowohl Klassifikations- als auch Regressionsaufgaben mit Sequenzdaten, indem es logische Beziehungen zwischen aufeinanderfolgenden Merkmalen extrahiert.

Die experimentellen Ergebnisse sind beeindruckend: Auf 18 Benchmark-Datensätzen für zeitliche Klassifikation erreicht Memory-DD eine durchschnittliche Genauigkeit von 89,41 % – 4,25 % besser als LSTM. Bei 9 Regressionsdatensätzen liefert es vergleichbare Leistungen wie LSTM, jedoch mit nur 50 % der Parameter und einer Reduktion der Rechenkomplexität um 27,7 %. Diese Ergebnisse zeigen, dass Memory-DD eine effiziente und leistungsstarke Alternative für zeitbasierte Vorhersagen darstellt.