Neurale ODE
Een Neurale ODE, geïntroduceerd door Chen en collega's in 2018, modelleert een verborgen toestand als de continue oplossing van een gewone differentiaalvergelijking waarvan de dynamiek wordt geparametriseerd door een neuraal netwerk. Het generaliseert de limietgeval van residuele verbindingen, waardoor het zeer geschikt is voor onregelmatig gespreide tijdreeksen en op fysica gebaseerde modellering.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/nl/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.
- LSTMDeep learning↔ compare
- Random ForestMachine learning↔ compare
- Recurrent Neuraal NetwerkDeep learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →