Neural ODE
Satu Neural ODE, yang diperkenalkan oleh Chen dan rakan-rakannya pada tahun 2018, memodelkan keadaan tersembunyi sebagai penyelesaian berterusan bagi persamaan pembezaan biasa yang dinamiknya diparameterkan oleh rangkaian saraf. Ia mengitlakkan kes had sambungan residual, menjadikannya sangat sesuai untuk siri masa yang berselang secara tidak teratur dan pemodelan berasaskan fizik.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/ms/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 BerulangPembelajaran Mendalam↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →