Neuraalinen ODE
Chenin ja kollegoiden vuonna 2018 esittelemä neuraalinen ODE mallintaa piilotettua tilaa tavallisen differentiaaliyhtälön jatkuvana ratkaisuna, jonka dynamiikkaa parametrisoi neuroverkko. Se yleistää residuaaliyhteyksien raja-arvon, tehden siitä sopivan epäsäännöllisesti ajoitetuille aikasarjoille ja fysiikkapohjaiselle mallinnukselle.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/fi/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.
- LSTMSyväoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- Rekurrentti neuroverkkoSyväoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →