초록
비균일 간격을 가진 시계열 데이터는 많은 응용 분야에서 발생하며, 표준 순환 신경망(RNN)을 사용하여 모델링하는 것이 어렵습니다. 우리는 RNN을 일반 미분 방정식(ODE)로 정의된 연속 시간 은닉 동역학으로 일반화하여 ODE-RNNs라는 모델을 제안합니다. 또한 최근 제안된 잠재 ODE 모델의 인식 네트워크를 ODE-RNNs로 대체하였습니다. ODE-RNNs와 잠재 ODE 모두 관측 사이의 임의적인 시간 간격을 자연스럽게 처리할 수 있으며, 포아송 과정(Poisson process)을 사용하여 관측 시간의 확률을 명시적으로 모델링할 수 있습니다. 실험 결과, 이러한 ODE 기반 모델들이 비정규 샘플링 데이터에서 RNN 기반 모델들보다 우수한 성능을 보임을 확인하였습니다.