非一様間隔の時系列データは多くの応用例に見られ、標準的な再帰型ニューラルネットワーク（RNN）を用いてモデル化することが困難です。本研究では、RNNを常微分方程式（ODE）によって定義される連続時間の隠れ状態動態を持つように一般化し、これをODE-RNNと呼びます。さらに、最近提案されたLatent ODEモデルの認識ネットワークをODE-RNNで置き換えました。ODE-RNNおよびLatent ODEは、観測間の任意の時間間隔を自然に処理でき、観測時刻の確率をポアソン過程を使用して明示的にモデル化することができます。実験結果から、これらのODEベースのモデルが不規則なサンプリングデータにおいてRNNベースのモデルよりも優れた性能を示すことが確認されました。