神经控制微分方程（Neural CDE）利用log-signature和粗路径理论处理不规则时间序列，在分类、预测和连续监测中性能优于传统模型，且训练更快、内存更少。相关扩展包括GN-CDE、STG-NCDE和NRDE，应用于动态图、交通预测及路径相关偏微分方程，并推动可逆变换与在线预测研究。

该文综述神经控制微分方程与因果推断方法，用于不规则采样时间序列建模，涵盖TE-CDE、LSTM推断隐藏混沌变量、神经CDE、L1正则化稀疏线性动态系统、稳定扩散因果推断及泛化误差分析，并应用于心脏电传导异常检测与临床预测。

该文综述神经微分方程在时间序列中的应用，重点介绍神经控制微分方程（Neural CDE）处理不规则采样与连续监测在线预测，其插值方案兼具可测性与平滑性，在MIMIC-IV上提升三项任务准确率；并涵盖log-signature扩展、神经延迟微分方程、正则化加速训练及基于ODE的RNN等方法。