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。实验结果表明，GRAM-ODE相比最先进的基线方法具有明显的优势，并且不同组件对整体性能有贡献。

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。实验结果表明，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有贡献。