FiLM: Побољшани модел меморије са Лежандровим полиномима заснован на учестаности
FiLM је архитектура за дугорочно прогнозирање временских серија коју су увели Tian Zhou и његове колеге на NeurIPS 2022. Комбинује Лежандрове полиномске пројекције историјског улаза са филтерима у фреквенцијском домену који се примењују на резултујуће секвенце коефицијената. Представљајући историју као компактни скуп полиномских коефицијената и филтрирајући те коефицијенте у фреквенцијском домену, FiLM омогућава ефикасну екстраполацију на дугим хоризонтима предвиђања без квадратних трошкова пуне само-пажње.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/sr/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.
- AutoformerDuboko učenje↔ compare
- FEDformer: Transformer sa poboљšanom frekvencijom i dekompozicijomDuboko učenje↔ compare
- Model stanja prostora (Kalmanov filter)Ekonometrija↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →