FiLM: Frekvences uzlabots Legendre atmiņas modelis
FiLM ir arhitektūra ilgtermiņa laika sēriju prognozēšanai, ko 2022. gadā NeurIPS konferencē iepazīstināja Tian Zhou un kolēģi. Tā apvieno Legendre polinomu projekcijas no vēsturiskās ievades ar apgūstamiem frekvenču domēna filtriem, kas tiek pielietoti iegūtajām koeficientu sekvencēm. Attēlojot vēsturi kā kompakti polinoma koeficientu kopumu un filtrējot šos koeficientus frekvenču domēnā, FiLM nodrošina efektīvu ekstrapolāciju garos prognožu horizontos bez pilnas pašuzmanības (self-attention) kvadrātisko izmaksu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/lv/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 ar dekompozīciju ilgtermiņa laika virkņu prognozēšanaiDziļā mācīšanās↔ compare
- FEDformer: Frekvencē balstīts sadalīts TransformerDziļā mācīšanās↔ compare
- Valsts telpas modelis (Kalmana filtrs)Ekonometrija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →