FiLM: Frequency Improved Legendre Memory Model
FiLM on NeurIPS 2022 -konferenssissa Tian Zhoun ja kollegoiden esittelemä pitkän aikavälin aikasarjaennustusarkkitehtuuri. Se yhdistää historiallisen syötteen Legendre-polynomiprojektiot ja opittavat taajuusalueen suodattimet, joita sovelletaan tuloksena oleviin kerroinsektioihin. Esittämällä historian tiiviinä polynomikertoimien joukkona ja suodattamalla näitä kertoimia taajuusalueella FiLM mahdollistaa tehokkaan ekstrapoloinnin pitkillä ennustehorisonteilla ilman täyden itsehuomion neliöllistä kustannusta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/fi/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: Dekompositio-muuntaja pitkän aikavälin aikasarjaennustamiseenSyväoppiminen↔ compare
- FEDformer: Taajuusparannettu hajotettu TransformerSyväoppiminen↔ compare
- Tilamallinnus (Kalman-suodin)Ekonometria↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →