Neurale gewöhnliche DIfferenzialgleichungen

Kurzbeschriebung

Neurale gewöhnliche Differentialgleichungen (Neural Ordinary Differential Equations, Neural ODEs) sind eine Klasse kontinuierlicher Tiefenmodelle, bei denen die Entwicklung latenter Zustände durch eine gewöhnliche Differentialgleichung beschrieben wird, deren rechte Seite von einem neuronalen Netz parametrisiert ist. Anstelle diskreter Schichten wird die Transformation als kontinuierlicher Fluss über die Zeit modelliert.

Formal wird ein Zustandsverlauf '"`UNIQ--math-00000000-QINU`"' definiert, wobei '"`UNIQ--math-00000001-QINU`"' ein neuronales Netz mit Parametern '"`UNIQ--math-00000002-QINU`"' ist. Die Vorwärtsauswertung entspricht der numerischen Lösung der ODE (z. B. Runge–Kutta), und das Training erfolgt über adjungierte Sensitivitätsmethoden, die Gradienten effizient durch den ODE-Solver zurückpropagieren.

Neural ODEs bieten adaptive Rechentiefe (abhängig von der Solver-Genauigkeit), können unregelmäßig abgetastete Zeitreihen handhaben und erlauben eine natürliche Verbindung zu physikalisch oder mechanistisch motivierten Modellen. Gleichzeitig sind sie rechnerisch anspruchsvoll und sensitiv gegenüber Solver- und Toleranzwahl.

Es existieren zahlreiche Erweiterungen, darunter Augmented Neural ODEs, Latent ODEs (mit probabilistischen latenten Zuständen) und Neural SDEs (stochastische Differentialgleichungen), die zusätzliche Flexibilität und Unsicherheitsmodellierung ermöglichen.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen werden Neural ODEs zur Modellierung kontinuierlicher Patientenverläufe eingesetzt, etwa bei Vitalparametern, Pharmakokinetik/-dynamik oder Krankheitsprogression, insbesondere wenn Messungen unregelmäßig vorliegen. Sie eignen sich gut, um dynamische Prozesse datengetrieben zu lernen und gleichzeitig an bekannte Struktur anzuknüpfen.

In Public Health finden Neural ODEs Anwendung bei der dynamischen Modellierung von Zeitreihen (z. B. Inzidenzen) und als Hybridansatz zur Erweiterung mechanistischer Modelle (z. B. lernbare Kraftterme in Kompartmentmodellen). Der Einsatz ist primär prädiktiv; kausale Interpretationen erfordern zusätzliche Annahmen und Designs.

Sonstiges

Kontinuierliche Alternative zu diskreten Tiefennetzen

Solver- und Toleranzwahl beeinflussen Laufzeit und Stabilität

Erweiterbar zu probabilistischen Varianten (Latent ODEs, Neural SDEs)

Semantik

Wikidata-Identifikator ist: Q65024756

Deutsche Wikipediaseite ist: https://de.wikipedia.org/wiki/Neural_ordinary_differential_equation

Englische Wikipediaseite ist: Neural_ordinary_differential_equation

Quelle: Chen et al. (2018), Neural Ordinary Differential Equations

Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit

Für die Methode benötigte Datenmenge ist mittel;groß„Mittel;groß“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.

Zweck der Methode ist Vorhersage;Simulation„Vorhersage;Simulation“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Tiefes Lernen;Maschinelles Lernen;Hybrid;Simulation„Tiefes Lernen;Maschinelles Lernen;Hybrid;Simulation“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist mittel;schlecht„Mittel;schlecht“ befindet sich nicht in der Liste (Gut, Mittel, Schlecht) zulässiger Werte für das Attribut „Interpretierbarkeit der Ergebnisse der Methode ist“.

Webseite: https://neuralode.github.io/