โครงข่ายประสาทเทียมเชิงอนุพันธ์สามัญ (Neural ODE)
Neural ODE ซึ่งนำเสนอโดย Chen และคณะในปี 2018 เป็นแบบจำลองที่แสดงสถานะซ่อนเร้น (hidden state) เป็นผลเฉลยต่อเนื่องของสมการเชิงอนุพันธ์สามัญ (ordinary differential equation) ซึ่งพลวัตถูกกำหนดพารามิเตอร์โดยโครงข่ายประสาทเทียม (neural network) แบบจำลองนี้เป็นกรณีทั่วไปของขีดจำกัดการเชื่อมต่อแบบตกค้าง (residual connections) ทำให้เหมาะอย่างยิ่งสำหรับอนุกรมเวลาที่มีช่วงห่างไม่สม่ำเสมอและการสร้างแบบจำลองทางฟิสิกส์
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/th/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.
- แอลเอสทีเอ็มการเรียนรู้เชิงลึก↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)การเรียนรู้เชิงลึก↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare