用于非规则采样时间序列的隐式常微分方程（Latent ODEs）

非均匀间隔的时间序列在许多应用中出现，并且使用标准的循环神经网络（RNNs）建模较为困难。我们对RNNs进行了推广，使其具有由常微分方程（ODEs）定义的连续时间隐藏动态，这种模型被称为ODE-RNNs。此外，我们使用ODE-RNNs替换了最近提出的Latent ODE模型中的识别网络。ODE-RNNs和Latent ODE模型都能自然地处理观测之间的任意时间间隔，并能显式地使用泊松过程建模观测时间的概率。实验结果表明，基于ODE的模型在不规则采样的数据上优于基于RNN的模型。