実世界の多次元時系列データをモデル化することは、特にこれらのデータが断続的に観測される場合（つまり、時間と次元間でサンプリングが不規則である場合）に非常に困難です。例えば、臨床患者データがそのような状況にあります。これらの課題に対処するために、我々は (1) 最近のニューラル常微分方程式（Neural Ordinary Differential Equations, NOD）(Chenら, 2018) を基にした連続時間版のゲート付きリカレントユニット（Gated Recurrent Unit, GRU）と、(2) 断続的な観測を処理するベイジアン更新ネットワークを提案します。これら2つのアイデアを組み合わせて、GRU-ODE-Bayes手法を開発しました。我々は、提案手法が潜在プロセスに対して連続性の事前分布を符号化し、複雑なプロセスが多次元確率微分方程式によって駆動される場合のFokker-Planck力学を正確に表現できることを示します。さらに、経験的評価では、本手法が合成データおよび医療や気候予報への応用がある実世界データにおいて現行の最先端技術を上回ることが確認されました。また、連続性の事前分布が少ないサンプル数の設定にも適していることが示されています。