介绍了一种新的数据驱动方法 ——Neural Jump ODE (NJ-ODE), 该模型模拟了连续时间下的随机过程。该模型使用神经 ODE 模型建模两个观察值之间的条件期望，并在每次发现新的观察值时进行跳跃。实验结果表明该模型对于更复杂的学习任务优于现有的基准模型。

Jun, 2020

本文介绍了一种基于自回归 GNN-ODE GRU 模型（AGOG）的方法，通过对复杂系统连续动态过程的建模和预测实现了任意时间节点状态的数据驱动预测，展示了在插值重建、外推预测和正常序列预测等三个任务中的精度表现。

Nov, 2022

本研究提出了一种基于时间和速度敏感的门控循环单元模型 (GRU-TV)，用于连续时间学习临床多变量时间序列数据的患者表征。通过神经常微分方程和速度感知机制，实现了感知相邻记录之间的时间间隔和患者生理状态的变化率。实验结果表明，GRU-TV 模型在计算机辅助诊断任务中表现稳健，尤其是在具有高方差时间间隔的序列上表现良好。

May, 2022

本文提出了一种使用动态图神经普通微分方程（MTGODE）来预测多元时间序列的连续模型，旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。

Feb, 2022

我们介绍了一个基于模型的强化学习算法，使用非线性常微分方程来表示连续时间动力学。我们使用校准良好的概率模型捕捉认识不确定性，并利用乐观原则进行探索。我们的分析表明，在连续时间下，测量选择策略 (MSS) 的重要性显现出来，因为我们不仅需要决定如何进行探索，还要决定何时观察底层系统。当使用高斯过程 (GP) 对常见的 MSS 选择（如等距采样）建模 ODEs 时，我们的后悔界限是次线性的。此外，我们提出了一种自适应的、数据依赖的实际 MSS，当与 GP 动力学相结合时，也能够在明显更少的样本下达到次线性的后悔。在几个应用上，我们展示了连续时间建模相对于离散时间建模的优势，以及我们提出的自适应 MSS 相对于标准基线的优势。

Oct, 2023

本研究提出一种基于神经常微分方程的多关系图卷积网络连续模型，通过图转换层捕获动态图的转换，实现对时间和结构信息进行连续时间动态嵌入，并在五个基准数据集上进行了大量实验证明，该模型在未来链接预测任务中具有卓越的性能。

Jan, 2021

本文介绍了一种基于时间的递归神经网络扩展模型，使其适用于不均匀采样的连续变量观测数据，并展示了该模型在两种工业输入 / 输出过程的样本中的有效性。

Nov, 2019

本文介绍了 ODE2VAE，一种用于高维序列数据的潜在二阶 ODE 模型，它可以同时学习高维轨迹的嵌入和推断任意复杂的连续时间潜在动力学，并通过深度贝叶斯神经网络参数化概率潜在 ODE 动力学，展示了在动作捕捉、图像旋转和弹跳球数据集上的表现出色，实现了长期运动预测和补全任务的最新性能。

May, 2019

研究提出了一种基于高斯过程矢量场的非参数 ODE 建模方法，可以不需要先验知识学习任意连续时间系统的基本动力学，并利用稀疏数据推断系统的未来动态和进行模拟。

Mar, 2018

本文提出了一种基于神经 ODE 的 RNN 模型 (RNN-ODE-Adap)，用于建模和预测非平稳时间序列数据，该模型可适应性地选择时间步长，并在 Hawkes 型时间序列数据中表现出一致性估计预测能力和计算成本优势。

Jun, 2023