Невронно ОДУ
Невронно ОДУ (Neural ODE), въведено от Чен и колеги през 2018 г., моделира скрито състояние като непрекъснато решение на обикновено диференциално уравнение, чиято динамика е параметризирана от невронна мрежа. То обобщава граничния случай на резидуални връзки, което го прави добре приложимо за неравномерно разпределени времеви редове и моделиране, базирано на физични принципи.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Chen, T. Q., Rubanova, Y., Bettencourt, J. & Duvenaud, D. (2018). Neural Ordinary Differential Equations. Advances in Neural Information Processing Systems (NeurIPS). link ↗
- Rubanova, Y., Chen, T. Q. & Duvenaud, D. (2019). Latent ODEs for Irregularly-Sampled Time Series. Advances in Neural Information Processing Systems (NeurIPS). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/bg/deep-learning/neural-ode
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- LSTMДълбоко обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- Рекурентна невронна мрежаДълбоко обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →