ODE neuronale
Une ODE neuronale, introduite par Chen et ses collègues en 2018, modélise un état caché comme la solution continue d'une équation différentielle ordinaire dont la dynamique est paramétrée par un réseau neuronal. Elle généralise le cas limite des connexions résiduelles, la rendant bien adaptée aux séries temporelles irrégulièrement espacées et à la modélisation basée sur la physique.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/fr/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.
- LSTMApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →