FiLM: Frequency Improved Legendre Memory Model
FiLM er en arkitektur for langtids tidsserieprognoser introdusert av Tian Zhou og kolleger ved NeurIPS 2022. Den kombinerer Legendre-polynomprojeksjoner av historiske innganger med lærbar frekvensdomenefiltrering anvendt på de resulterende koeffisientsekvensene. Ved å representere historikk som et kompakt sett av polynomkoeffisienter og filtrere disse koeffisientene i frekvensdomenet, muliggjør FiLM effektiv ekstrapolering over lange prediksjonshorisonter uten den kvadratiske kostnaden av full selv-oppmerksomhet.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/no/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 for Decomposing Long-Term TidsserierprognoserDyp læring↔ compare
- FEDformer: Frekvensforsterket dekomponert transformatorDyp læring↔ compare
- Tilstandsrommodell (Kalmanfilter)Økonometri↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →