FiLM: Model Memori Legendre yang Ditingkatkan Frekuensinya
FiLM adalah arsitektur peramalan deret waktu jangka panjang yang diperkenalkan oleh Tian Zhou dan rekan-rekannya di NeurIPS 2022. Model ini menggabungkan proyeksi polinomial Legendre dari masukan historis dengan filter domain frekuensi yang dapat dipelajari yang diterapkan pada urutan koefisien yang dihasilkan. Dengan merepresentasikan histori sebagai kumpulan koefisien polinomial yang ringkas dan memfilter koefisien tersebut di domain frekuensi, FiLM memungkinkan ekstrapolasi yang efisien pada cakrawala prediksi yang panjang tanpa biaya kuadratik dari perhatian penuh (self-attention).
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/id/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 Dekomposisi untuk Peramalan Deret Waktu Jangka PanjangPembelajaran Mendalam↔ compare
- FEDformer: Transformer Berbasis Peningkatan Frekuensi yang TeruraiPembelajaran Mendalam↔ compare
- Model Ruang Keadaan (Kalman Filter)Ekonometrika↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →