提出了一种 GRU-ODE-Bayes 方法来建模真实世界的多维时间序列，该方法包括对神经普通微分方程的连续时间版本和处理不规则数据采样的贝叶斯更新网络，并证明了该方法在医疗保健和气候预测领域的应用中优于现有技术。

May, 2019

本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

May, 2023

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

该研究论文介绍了一种使用 ODE 的时间序列数据分析方法，提出基于 ODE 的 RNN 模型，可在较短的训练时间内学习具有不规则采样率的连续时间序列，并且计算效率更高、精度更高、设计更简单。

May, 2020

GraphRNN 是一种基于自回归模型的图生成模型，可以在没有先验结构假设的情况下模拟任何图分布，并且可以比现有的深度模型扩展到 50 倍以上规模的生成，而引入的基准测试集和最大平均差异评估方法可以有效评估模型表现。

Feb, 2018

通过学习多智能体系统动力学，我们提出了 GG-ODE（广义图形常微分方程）机器学习框架，使用神经常微分方程（ODE）通过图神经网络（GNN）捕捉智能体之间的连续交互，并假设不同环境下的动力学都受到相同物理定律的支配。通过实验证明，我们的模型可以准确预测系统动力学，尤其在长期范围内，并能够很好地推广到观测数据稀缺的新系统。

Jul, 2023

通过使用物理启发的神经图常微分方程算法（Physics-Inspired Neural Graph ODE），我们提出了一种更好地建模离散监督信号下潜在轨迹的方法，同时利用基于 GNN 的模型以插拔的方式对神经图常微分方程进行参数化，实验证明我们的模型在长期预测和演化误差方面相较于现有方法有数量级的提升。

Aug, 2023

本文提出一种基于 GNN 和 ODE 的交通预测模型（ASTGODE），在真实数据上表现良好，具有可解释性，并实现了最高的预测准确度。

May, 2023

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