FiLM: Модель памяти Лежандра с улучшенной частотной характеристикой
FiLM — это архитектура для прогнозирования долгосрочных временных рядов, представленная Тянем Чжоу и его коллегами на NeurIPS 2022. Она сочетает проекции исторического входного сигнала на полиномы Лежандра с обучаемыми частотно-доменными фильтрами, применяемыми к результирующим последовательностям коэффициентов. Представляя историю как компактный набор полиномиальных коэффициентов и фильтруя эти коэффициенты в частотной области, FiLM обеспечивает эффективную экстраполяцию на длительные горизонты прогнозирования без квадратичных затрат полной самоаттенции.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/ru/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.
- AutoformerГлубокое обучение↔ compare
- FEDformer: Улучшенный частотный трансформер с разложениемГлубокое обучение↔ compare
- Модель пространства состояний (фильтр Калмана)Эконометрика↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →