不規則なサンプリングと欠損値を含む時系列データは、医療、気候、天文学などの多くの実世界の応用で観測されることがよくあります。これらのデータは、完全に観測され、規則的にサンプリングされた時系列データのみを扱う標準的な深層学習モデルにとって大きな課題となっています。不規則な時系列データの連続的な動態を捉えるために、多くのモデルでは隠れ状態において常微分方程式（ODE）を解くことを依存しています。しかし、ODEベースのモデルは逐次操作と複雑なODEソルバーにより、処理速度が遅く、大量のメモリを必要とする傾向があります。このような複雑なODEベースのモデルの代替として、我々は「関数潜在動態」（Functional Latent Dynamics: FLD）と呼ばれる一連のモデルを提案します。ODEを解く代わりに、我々はすべての時間点で存在する単純な曲線を使用してモデル内の連続的な潜在状態を指定します。これらの曲線の係数は、時系列データ内の観測値からのみ学習され、欠損値は無視されます。広範囲にわたる実験を通じて、FLDが最良のODEベースのモデルよりも優れた性能を達成し、実行時間とメモリ負荷を削減することを示しています。特に、FLDは最良の予測モデルと比較して桁違いに短い時間で予測を行うことができます。