เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| โครงข่ายประสาทเทียมเชิงอนุพันธ์สามัญ (Neural ODE)× | โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)× | |
|---|---|---|
| สาขาวิชา | การเรียนรู้เชิงลึก | การเรียนรู้เชิงลึก |
| ตระกูล | Machine learning | Machine learning |
| ปีกำเนิด≠ | 2018 | 1986–1990 |
| ผู้ริเริ่ม≠ | Chen, T. Q. et al. | Rumelhart, D. E.; Elman, J. L. |
| ประเภท≠ | Continuous-depth neural network (ODE-parameterised dynamics) | Sequential neural network |
| แหล่งต้นตำรับ≠ | Chen, T. Q., Rubanova, Y., Bettencourt, J. & Duvenaud, D. (2018). Neural Ordinary Differential Equations. Advances in Neural Information Processing Systems (NeurIPS). link ↗ | Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. DOI ↗ |
| ชื่อเรียกอื่น | Nöral Diferansiyel Denklem (Neural ODE), neural ordinary differential equation, continuous-depth network, ODE-Net | RNN, Elman network, Jordan network, simple recurrent network |
| ที่เกี่ยวข้อง≠ | 4 | 3 |
| สรุป≠ | A Neural ODE, introduced by Chen and colleagues in 2018, models a hidden state as the continuous solution of an ordinary differential equation whose dynamics are parameterised by a neural network. It generalises the limiting case of residual connections, making it well suited to irregularly spaced time series and physics-based modelling. | A Recurrent Neural Network (RNN) is a class of neural network designed to process sequential data by maintaining a hidden state that carries information across time steps. Introduced in its modern form by Rumelhart et al. (1986) and further shaped by Elman (1990), RNNs became the dominant architecture for sequence modelling in NLP, speech, and time-series analysis before the rise of attention-based models. |
| ScholarGateชุดข้อมูล ↗ |
|
|