ODE Neuronal
Uma ODE Neuronal, introduzida por Chen e colegas em 2018, modela um estado oculto como a solução contínua de uma equação diferencial ordinária cujas dinâmicas são parametrizadas por uma rede neural. Generaliza o caso limite das conexões residuais, tornando-a bem adequada para séries temporais irregularmente espaçadas e modelagem baseada em física.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/pt/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.
- LSTMAprendizado profundo↔ compare
- Random ForestAprendizado de máquina↔ compare
- Rede Neural RecorrenteAprendizado profundo↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →