비선형 벡터 자기회귀(NVAR)와 저수지 컴퓨팅(RC)은 로렌츠-63 모델이나 엘니뇨-남방 진동과 같은 혼돈 동역학 시스템의 예측에서 유망성을 보였지만, 고정된 비선형성(NVAR의 다항식 전개 또는 RC의 랜덤 특징 맵)에 의존하기 때문에 높은 노이즈나 실제 데이터에 대한 적응성이 제한적이다. 또한 판독 계산 중에 비용이 많이 드는 행렬 역전 때문에 고차원 설정에서 확장성이 좋지 않다. 본 논문에서는 지연 포함 선형 입력과 학습 가능한 얕은 다층 퍼셉트론(MLP)에 의해 생성된 특징을 결합한 적응형 NVAR 모델을 제안한다. MLP와 선형 판독은 기울기 기반 최적화를 사용하여 공동으로 훈련되어 간단한 판독 구조를 유지하면서 데이터 기반 비선형성을 학습할 수 있다. 표준 NVAR과 달리, 본 연구의 접근 방식은 능선과 지연 매개변수에 대한 철저하고 민감한 그리드 탐색이 필요 없다. 대신 신경망 하이퍼파라미터에 대한 조정으로 제한되어 확장성이 향상된다. 노이즈가 없는 조건과 인공적으로 노이즈가 있는 조건에서 테스트된 혼돈 시스템에 대한 초기 실험은 적응형 모델이 표준 NVAR보다 예측 정확도가 높고 낮은 관측 빈도에서도 노이즈가 있는 조건에서 강력한 예측을 보여주었다.
