نموذج الذاكرة ليجندر مع تحسين التردد (FiLM)
يُعد FiLM بنية معمارية للتنبؤ بالسلاسل الزمنية طويلة الأجل قدمها تيان تشو وزملاؤه في مؤتمر NeurIPS 2022. يجمع بين إسقاطات كثيرات حدود ليجندر للمدخلات التاريخية مع مرشحات نطاق التردد القابلة للتعلم المطبقة على متواليات المعاملات الناتجة. من خلال تمثيل التاريخ كمجموعة مدمجة من معاملات كثيرات الحدود وترشيح تلك المعاملات في مجال التردد، يُمكّن FiLM من الاستقراء الفعال عبر آفاق تنبؤ طويلة دون التكلفة التربيعية للانتباه الذاتي الكامل.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Zhou, T., Ma, Z., Wen, Q., Sun, L., Yao, T., Yin, W., & Jin, R. (2022). FiLM: Frequency improved Legendre memory model for long-term time series forecasting. NeurIPS. link ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/ar/deep-learning/film
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- أوتوفورمر: مُحوّل التفكيك للتنبؤ بالسلاسل الزمنية طويلة الأمدالتعلم العميق↔ compare
- FEDformer: مُحَوِّل مُعَزَّز بالترددات ومُفَكَّكالتعلم العميق↔ compare
- نموذج فضاء الحالة (مرشح كالمان)الاقتصاد القياسي↔ compare