FiLM: Frequency Improved Legendre Memory Model
FiLM är en arkitektur för långsiktig tidsserieprognostisering som introducerades av Tian Zhou och kollegor vid NeurIPS 2022. Den kombinerar Legendrepolynomprojektioner av det historiska indatat med inlärningsbara filter i frekvensdomänen som appliceras på de resulterande koefficientsekvenserna. Genom att representera historiken som en kompakt uppsättning polynomkoefficienter och filtrera dessa koefficienter i frekvensdomänen möjliggör FiLM effektiv extrapolering över långa prognoshorisonter utan den kvadratiska kostnaden för fullständig självuppmärksamhet.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/sv/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: Decomposition Transformer för långsiktig tidsserieprognostiseringDjupinlärning↔ compare
- FEDformer: Transformer med frekvensförstärkt dekompositionDjupinlärning↔ compare
- Tillståndsrumsmodell (Kalmanfilter)Ekonometri↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →