FiLM: Μοντέλο Μνήμης Βελτιωμένης Συχνότητας Legendre
Το FiLM είναι μια αρχιτεκτονική πρόβλεψης χρονοσειρών μακροπρόθεσμης διάρκειας που εισήχθη από τους Tian Zhou και συνεργάτες στο NeurIPS 2022. Συνδυάζει προβολές πολυωνύμων Legendre της ιστορικής εισόδου με εκπαιδεύσιμα φίλτρα πεδίου συχνοτήτων που εφαρμόζονται στις προκύπτουσες ακολουθίες συντελεστών. Αναπαριστώντας το ιστορικό ως ένα συμπαγές σύνολο πολυωνυμικών συντελεστών και φιλτράροντας αυτούς τους συντελεστές στο πεδίο συχνοτήτων, το FiLM επιτρέπει την αποδοτική εξαγωγή συμπερασμάτων σε μεγάλους ορίζοντες πρόβλεψης χωρίς το τετραγωνικό κόστος της πλήρους αυτο-προσοχής.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/el/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 Αποσύνθεσης για Μακροχρόνιες Προβλέψεις ΧρονοσειρώνΒαθιά Μάθηση↔ compare
- FEDformerΒαθιά Μάθηση↔ compare
- Μοντέλο Χώρου Καταστάσεων (Φίλτρο Kalman)Οικονομετρία↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →