如何讓 ESN 擁有估計機率分佈的能力
迴聲狀態網路（Echo State Networks, ESNs）以其極低的訓練成本與優異的非線性動態處理能力著稱。但在處理具雜訊的時間序列時，ESN 存在一個缺陷，就是它只能輸出單一個「點估計（Point-estimate）」，無法向系統回報「這個預測的誤差風險」。 近期墨西哥國立理工學院與中國西安科大(Zhang et al. 2026)提出的貝氏迴聲狀態網路（BN-ESN）試圖為這個問題提供解決方案。作者保留了 ESN 內部未經訓練、具備短期記憶的儲存池（Resevoir），並將改造集中於讀取層（Readout Layer）。 與「尋找最佳權重矩陣」不同，BN-ESN 透過變分推斷（Variational Inference）與最大化證據下界（ELBO），為權重引入了常態分佈先驗（Gaussian priors）。在推論階段，透過蒙地卡羅採樣（Monte Carlo sampling），網路會對同一個狀態產生一組預測群體（Ensemble）。其中，採樣結果的平均值（Mean）作為最終預測，而採樣結果的變異數（Variance/95% CI）則建構出信心區間。 過去雖然也有將機率模型結合 ESN 的嘗試（例如 BS-ESN 或是高斯過程 GP-ESN），但 BN-ESN 在多項標準混沌時間序列（如 Mackey-Glass 系統與多重疊加振盪器 MSO）的測試中，展現了顯著的提昇：1. 在保有不確定性估計能力的同時，BN-ESN 在 MSO 任務中的均方根誤差（RMSE）顯著低於傳統的 BS-ESN 與其他變形模型。2. 在評估預測區間（Prediction Interval, PI）的表現時，BN-ESN 能夠在維持極高覆蓋率（PICP）的前提下，給出比對手更窄的區間寬度（MPIW）。這代表它的「不確定性估計」非常精確，不會為了包容誤差而給出過於寬鬆的範圍。 BN-ESN 的表現說明了我們可以在不破壞 Reservoir 高效非線性動態的前提下，透過讀取層的貝氏化，讓模型具備量化風險的能力。在實務應用上（例如論文中測試的風速預測），這種具備可靠信心區間的架構將為未來提供更穩健的 ESN 基礎。 撰文：葉宸甫 參考文章：Zhang, Zhaozhao, Fangrui Zhang, Kang Li, and Yingqin Zhu. (2026) “Bayesi...
