Neirālā ODE
Neirālā ODE, ko 2018. gadā ieviesa Čens un kolēģi, modelē slēpto stāvokli kā parastā diferenciālvienādojuma nepārtrauktu atrisinājumu, kura dinamika ir parametrizēta ar neirālo tīklu. Tas vispārina atlikušo savienojumu robežgadījumu, padarot to piemērotu neregulāri izvietotām laika rindām un uz fizikas principiem balstītai modelēšanai.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/lv/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.
- ILSMDziļā mācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Atkārtotais neironu tīklsDziļā mācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →