.png){kind=icon}
返回
A simultaneous framework for training neural ODEs using full discretization and large-scale nonlinear programming
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jprocont.2026.103834.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经网络常微分方程（Neural ODEs）利用神经网络表示连续时间动态，为系统辨识和面向控制的建模提供了一种灵活、数据驱动的框架。然而，训练Neural ODEs需要在每个训练周期求解微分方程，导致计算成本高。本研究探讨了同时优化作为替代标准顺序训练的高效方法。具体而言，我们提出了一种基于配置法的全离散化公式，并使用IPOPT（一种大规模非线性优化求解器）来联合优化配置系数和神经网络参数。我们通过合成和真实案例研究验证了所提出框架的有效性，突显其作为传统训练方法计算高效替代方案的潜力。此外，我们引入了一种利用乘子交替方向法（ADMM）的分解框架，以有效协调数据批次间的子模型。综合来看，这些结果强调了基于配置法的同时训练流程在Neural ODEs中的潜力。
Keyword:
Optimization
Neural ODEs
System identification
Large-scale nonlinear programming
Decomposition
