Нейронні Звичайні Диференціальні Рівняння (Neural ODE)
Нейронні Звичайні Диференціальні Рівняння (Neural ODE), представлені Ченом та його колегами у 2018 році, моделюють прихований стан як неперервний розв'язок звичайного диференціального рівняння, динаміка якого параметризується нейронною мережею. Це узагальнює граничний випадок залишкових зв'язків, роблячи їх добре придатними для нерегулярно розташованих часових рядів та моделювання на основі фізики.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Neural Ordinary Differential Equation. ScholarGate. https://scholargate.app/uk/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.
- LSTMГлибоке навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
- Рекурентна нейронна мережаГлибоке навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →