FiLM: Frekvensforbedret Legendre-hukommelsesmodel
FiLM er en arkitektur til langsigtede tidsserieprognoser, introduceret af Tian Zhou og kolleger på NeurIPS 2022. Den kombinerer Legendre-polynomielprojektioner af det historiske input med indlærte frekvensdomænefiltre anvendt på de resulterende koefficientsekvenser. Ved at repræsentere historik som et kompakt sæt polynomielle koefficienter og filtrere disse koefficienter i frekvensdomænet muliggør FiLM effektiv ekstrapolation over lange prognosehorisonter uden den kvadratiske omkostning ved fuld self-attention.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/da/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.
- Autoformer: Transformer-dekomposition til langtids-tidsserieprognoserDyb læring↔ compare
- FEDformer: Frekvensforstærket Dekomponeret TransformerDyb læring↔ compare
- Model for tilstandsrum (Kalmanfilter)Økonometri↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →