ODE عصبی
یک شبکه باقیمانده عمیق، افزایش یادگرفتهشده کوچکی را در هر لایه به حالت پنهان خود اضافه میکند. اگر این لایهها را تا جایی کوچک کنیم که به هم بینهایت نزدیک شوند، پشته گسسته بهروزرسانیها به یک منحنی هموار تبدیل میشود و شبکه به جای تعداد گامهای ثابت، نرخ تغییر حالت پنهان را توصیف میکند. ODEهای عصبی این حد پیوسته را به معنای واقعی کلمه در نظر میگیرند: به جای انباشتن لایهها، سرعت حالت را یاد میگیرند و به یک حلکننده ODE اجازه میدهند تا آن را به سمت جلو در زمان انتگرالگیری کند، بنابراین حالت را میتوان در هر لحظهای ارزیابی کرد، نه فقط در مرزهای ثابت لایه.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/fa/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.
- LSTMیادگیری عمیق↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- شبکه عصبی بازگشتییادگیری عمیق↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →