Neural ODE
En Neural ODE, introducerad av Chen och kollegor 2018, modellerar ett dolt tillstånd som den kontinuerliga lösningen av en ordinär differentialekvation vars dynamik parametriseras av ett neuralt nätverk. Den generaliserar gränsfallet av residualkopplingar, vilket gör den väl lämpad för oregelbundet tidsförskjutna tidsserier och fysikbaserad modellering.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/sv/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.
- LSTMDjupinlärning↔ compare
- Random ForestMaskininlärning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →