ODE Neural
ODE Neural, yang diperkenalkan oleh Chen dan kolega pada tahun 2018, memodelkan keadaan tersembunyi sebagai solusi kontinu dari persamaan diferensial biasa yang dinamikanya diparameterkan oleh jaringan saraf. Ini menggeneralisasi kasus batas koneksi residual, membuatnya sangat cocok untuk deret waktu yang berjarak tidak teratur dan pemodelan berbasis fisika.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/id/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.
- LSTMPembelajaran Mendalam↔ compare
- Random ForestPembelajaran Mesin↔ compare
- Jaringan Saraf Berulang (Recurrent Neural Network - RNN)Pembelajaran Mendalam↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →