FiLM: Frequentie-verbeterd Legendre Geheugenmodel
FiLM is een architectuur voor langetermijnvoorspelling van tijdreeksen, geïntroduceerd door Tian Zhou en collega's op NeurIPS 2022. Het combineert Legendre-polynoomprojecties van de historische invoer met leerbare filters in het frequentiedomein die worden toegepast op de resulterende coëfficiëntsequenties. Door de geschiedenis te representeren als een compacte set polynoomcoëfficiënten en die coëfficiënten in het frequentiedomein te filteren, maakt FiLM efficiënte extrapolatie over lange voorspellingshorizons mogelijk zonder de kwadratische kosten van volledige zelf-aandacht.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/nl/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: Decomposition Transformer voor Lange-termijn TijdreeksvoorspellingDeep learning↔ compare
- FEDformer: Frequency Enhanced Decomposed TransformerDeep learning↔ compare
- State Space Model (Kalman Filter)Econometrie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →