Neural ODE
En Neural ODE, introduceret af Chen og kolleger i 2018, modellerer en skjult tilstand som den kontinuerlige løsning af en ordinær differentialligning, hvis dynamik er parametriseret af et neuralt netværk. Den generaliserer grænsetilfældet for residualforbindelser, hvilket gør den velegnet til uregelmæssigt fordelte tidsserier og fysikbaseret modellering.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/da/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.
- LSTMDyb læring↔ compare
- Random ForestMaskinlæring↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →