ニューラル微分方程式（NDE）は、連続時間の動力学をモデル化するのに優れており、不規則な観測や欠損値、ノイズなどの課題に効果的に対処します。しかし、NDEはドロップアウトを採用する上での基本的な課題を抱えており、これはディープラーニングの正則化技術の重要な要素であり、過剰適合に対する脆弱性を伴っています。この記事では、交替更新過程の理論に基づいた普遍的な正則化技術「連続ドロップアウト」を提案します。この技法は、ドロップアウトのオンオフメカニズムを確率過程として定式化し、連続時間内で進行中と一時停止の状態を交互に切り替えます。このアプローチは、過剰適合を防ぎ、NDEの汎用能力を向上させる原則に基づいています。さらに、連続ドロップアウトは、テスト時にモンテカルロサンプリングによって予測の不確実性を定量化するための構造化されたフレームワークも提供します。実験を通じて、連続ドロップアウトは既存の正則化手法を上回る性能を示し、時間系列や画像分類タスクにおいて優れた結果を得ています。また、不確実性を考慮したモデルに対して、より信頼性の高い確率推定を実現しています。