本文提出了一种新方法，通过贝叶斯学习对神经常微分方程（NODE）中的不确定性进行建模，自动化模型选择，并引入ALT-NODE模型以实现每个数据点独特的后验分布。研究表明，该方法在合成数据和图像分类中表现良好，提升了模型的鲁棒性和不确定性建模能力。

本研究探讨自我监督学习算法在糖尿病视网膜病变进展中的应用，提出自适应潜在时间NODE（ALT-NODE）和纵向混合训练框架（LMT），有效提升模型的预测能力和鲁棒性。