Vergelijkende analyse van liquid neural networks en LSTM voor sequentiële patroonherkenning: robuustheid, efficiëntie en klinische bruikbaarheid

arXiv:2605.27467v1 – Nieuw. Traditionele recurrente neurale netwerken (RNN's) en Long Short-Term Memory-eenheden (LSTM's) werken op discrete tijdstappen en slagen er vaak niet in de vloeiende temporele dynamiek van echte fysieke processen te vatten. Liquid Neural Networks (LNN's), met name Closed-form Continuous-time (CfC)-netwerken, pakken dit aan door de evolutie van de verborgen toestand te modelleren als een continue differentiaalvergelijking. In dit artikel voeren we een uitgebreide benchmarkstudie uit over