FiLM: Modelul de Memorie Îmbunătățit prin Frecvență Legendre
FiLM este o arhitectură de prognoză pe termen lung a seriilor temporale introdusă de Tian Zhou și colaboratorii săi la NeurIPS 2022. Combină proiecții ale polinoamelor lui Legendre ale intrării istorice cu filtre învățabile din domeniul frecvenței aplicate secvențelor de coeficienți rezultate. Reprezentând istoricul ca un set compact de coeficienți polinomiali și filtrând acei coeficienți în domeniul frecvenței, FiLM permite extrapolarea eficientă pe orizonturi lungi de predicție, fără costul pătratic al auto-atenției complete.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/ro/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.
- AutoformerÎnvățare profundă↔ compare
- FEDformer: Transformer cu frecvență sporită și descompunereÎnvățare profundă↔ compare
- Modelul spațiului de stare (Filtrul Kalman)Econometrie↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →