Neural ODE
Neural ODE, predstavljen od strane Chena i kolega 2018. godine, modelira skriveno stanje kao kontinuirano rješenje obične diferencijalne jednadžbe čija je dinamika parametrizirana neuronskom mrežom. Generalizira granični slučaj rezidualnih veza, čineći ga prikladnim za nepravilno raspoređene vremenske serije i modeliranje temeljeno na fizici.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/hr/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.
- LSTMDuboko učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- Rekurentna neuronska mrežaDuboko učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →