FiLM: Usprawniony Model Pamięci z Wykorzystaniem Częstotliwości Legendre'a
FiLM to architektura do długoterminowego prognozowania szeregów czasowych, wprowadzona przez Tian Zhou i współpracowników na konferencji NeurIPS 2022. Łączy ona projekcje historycznych danych wejściowych za pomocą wielomianów Legendre'a z uczonymi filtrami dziedziny częstotliwości, stosowanymi do wynikowych sekwencji współczynników. Reprezentując historię jako zwarty zbiór współczynników wielomianowych i filtrując te współczynniki w dziedzinie częstotliwości, FiLM umożliwia efektywną ekstrapolację na długie horyzonty prognozowania bez kwadratowego kosztu pełnej samo-uwagi.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/pl/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.
- AutoformerUczenie głębokie↔ compare
- FEDformer: Transformer z ulepszoną dekompozycją częstotliwościowąUczenie głębokie↔ compare
- Model przestrzeni stanów (filtr Kalmana)Ekonometria↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →