再帰型ニューラルネットワーク（RNN）を連続時間の動的システムとして捉え、隠れ状態の進化を2つの部分で記述する再帰ユニットを提案します。この2つの部分は、よく理解されている線形成分とリプシッツ非線形性です。この特定の関数形式は、非線形システム理論の道具を使用して再帰ユニットの長期的な挙動の安定性解析を容易にします。これにより、実験前にアーキテクチャ設計の決定が可能になります。再帰ユニットの全安定性に関する十分条件が得られ、これをもとに新たな隠れ層間行列の構築手法が提案されます。我々の実験では、リプシッツRNNがコンピュータビジョン、言語モデル化、音声予測などの一連のベンチマークタスクにおいて既存の再帰ユニットを上回ることが示されています。最後に、ヘッシアンに基づく解析を通じて、他の連続時間RNNと比較して我々のリプシッツ再帰ユニットが入力およびパラメータ摂動に対してより堅牢であることを示しています。