Neuronale ODE
Eine Neuronale ODE, eingeführt von Chen und Kollegen im Jahr 2018, modelliert einen verborgenen Zustand als kontinuierliche Lösung einer gewöhnlichen Differentialgleichung, deren Dynamik durch ein neuronales Netz parametrisiert ist. Sie verallgemeinert den Grenzfall von Residuenverbindungen und eignet sich daher gut für unregelmäßig beprobte Zeitreihen und physikbasierte Modellierung.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/de/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.
- LSTMDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →