ニューラル常微分方程式（Neural Ordinary Differential Equations, Neural ODEs）は、値の時間変化を記述するものであり、特に観測が不規則な間隔で行われる順序データのモデリングにおいてその重要性が高まっています。本論文では、代わりに常微分方程式の解曲線（すなわち、ODEのフロー）をニューラルネットワークによって直接モデリングする手法を提案します。これにより、高コストな数値解法の必要性が即座に排除されながらも、Neural ODEのモデリング能力は維持されます。さらに、関数が有効なフローを定義するための厳密な条件を確立することで、さまざまな応用に適した複数のフローアーキテクチャを提案しています。計算効率の向上に加え、時系列モデリング、予測、確率密度推定といった応用を通じて、優れた一般化性能を実証する実証的証拠も提示しています。