Neural ODE
Neural ODE, wprowadzony przez Chena i współpracowników w 2018 roku, modeluje stan ukryty jako ciągłe rozwiązanie zwykłego równania różniczkowego, którego dynamika jest parametryzowana przez sieć neuronową. Uogólnia on przypadek graniczny połączeń rezydualnych, co czyni go dobrze przystosowanym do nieregularnie rozmieszczonych szeregów czasowych i modelowania opartego na fizyce.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/pl/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.
- LSTMUczenie głębokie↔ compare
- Random ForestUczenie maszynowe↔ compare
- Rekurencyjna Sieć NeuronowaUczenie głębokie↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →