Нейронные ОДУ (Neural ODE)
Нейронные ОДУ, представленные Чен и его коллегами в 2018 году, моделируют скрытое состояние как непрерывное решение обыкновенного дифференциального уравнения, динамика которого параметризована нейронной сетью. Эта модель обобщает предельный случай остаточных связей, что делает ее хорошо подходящей для нерегулярно расположенных временных рядов и моделирования на основе физических законов.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/ru/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.
- LSTMГлубокое обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- Рекуррентная нейронная сетьГлубокое обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →