Zeitreihen mit nicht-gleichmäßigen Intervallen treten in vielen Anwendungen auf und sind schwierig zu modellieren, wenn man herkömmliche rekurrente Neuronale Netze (RNNs) verwendet. Wir verallgemeinern RNNs, indem wir kontinuierliche Zeitdynamiken in den verborgenen Schichten durch gewöhnliche Differentialgleichungen (ODEs) definieren; dieses Modell nennen wir ODE-RNNs. Darüber hinaus verwenden wir ODE-RNNs, um das Erkennungsnetz des kürzlich vorgeschlagenen Latent-ODE-Modells zu ersetzen. Sowohl ODE-RNNs als auch Latent-ODEs können natürliche Zeitspannen zwischen Beobachtungen beliebiger Länge handhaben und modellieren die Wahrscheinlichkeit der Beobachtungszeiten explizit mithilfe von Poisson-Prozessen. In Experimenten zeigen wir, dass diese ODE-basierten Modelle bei unregelmäßig abgetasteten Daten ihre RNN-basierten Gegenstücke übertrumpfen.