فیلم: مدل حافظه لژاندر بهبود یافته با فرکانس
فیلم (FiLM) یک معماری پیشبینی سری زمانی بلندمدت است که توسط تیان ژو و همکارانش در NeurIPS 2022 معرفی شد. این مدل، پیشبینیهای چندجملهای لژاندر از ورودی تاریخی را با فیلترهای قابل یادگیری در حوزه فرکانس که بر روی دنبالههای ضرایب حاصل اعمال میشوند، ترکیب میکند. با نمایش تاریخچه به صورت مجموعهای فشرده از ضرایب چندجملهای و فیلتر کردن آن ضرایب در حوزه فرکانس، فیلم امکان برونیابی کارآمد را در افقهای پیشبینی طولانی بدون هزینه درجه دوم توجه کامل (self-attention) فراهم میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/fa/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: ترنسفورمر تجزیهکننده برای پیشبینی سریهای زمانی بلندمدتیادگیری عمیق↔ compare
- فِدفورمر: ترانسفورمر تجزیهشده با تقویت فرکانسیادگیری عمیق↔ compare
- مدل فضای حالت (فیلتر کالمن)اقتصادسنجی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →