ODE neuronal
Una ODE neuronal, introducida por Chen y colegas en 2018, modela un estado oculto como la solución continua de una ecuación diferencial ordinaria cuya dinámica está parametrizada por una red neuronal. Generaliza el caso límite de las conexiones residuales, haciéndola adecuada para series temporales espaciadas de forma irregular y modelado basado en física.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/es/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.
- LSTMAprendizaje profundo↔ compare
- Random ForestAprendizaje automático↔ compare
- Red Neuronal RecurrenteAprendizaje profundo↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →