Neural ODE
Una Neural ODE, introdotta da Chen e colleghi nel 2018, modella uno stato nascosto come soluzione continua di un'equazione differenziale ordinaria le cui dinamiche sono parametrizzate da una rete neurale. Generalizza il caso limite delle connessioni residue, rendendola adatta a serie temporali a spaziatura irregolare e alla modellazione basata sulla fisica.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/it/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.
- LSTMApprendimento profondo↔ compare
- Random ForestApprendimento automatico↔ compare
- Reti neurali ricorrentiApprendimento profondo↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →