เปรียบเทียบวิธี

	FreTS: โครงข่ายประสาทเทียมหลายชั้นในโดเมนความถี่สำหรับการพยากรณ์อนุกรมเวลา	FiLM: แบบจำลองหน่วยความจำแบบเลเจนดร์ที่ปรับปรุงความถี่
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2023	2022
ผู้ริเริ่ม	Kun Yi et al.	Tian Zhou et al.
ประเภท	Frequency-domain MLP forecasting model	Frequency-domain time-series forecasting model
แหล่งต้นตำรับ	Yi, K., Zhang, Q., Fan, W., Wang, S., Wang, P., He, H., An, N., Lian, D., Cao, L., & Niu, Z. (2023). Frequency-domain MLPs are more effective learners in time series forecasting. NeurIPS.	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.
ชื่อเรียกอื่น	Frequency-domain MLPs, FrequencyMLP, FreTS Forecaster, Frekans Alanı MLP	Frequency Improved Legendre Memory, FiLM Forecaster, Legendre Frequency Model, Frekans Tabanlı Legendre Bellek Modeli
ที่เกี่ยวข้อง	3	3
สรุป	FreTS is a time series forecasting architecture introduced by Yi et al. at NeurIPS 2023. It departs from Transformer-based designs by applying simple Multi-Layer Perceptrons (MLPs) entirely in the frequency domain. The model transforms input sequences with the Discrete Fourier Transform and then learns temporal and channel dependencies through complex-valued MLP layers, achieving competitive or superior long-term forecasting accuracy with substantially lower computational cost.	FiLM is a long-term time-series forecasting architecture introduced by Tian Zhou and colleagues at NeurIPS 2022. It combines Legendre polynomial projections of the historical input with learnable frequency-domain filters applied to the resulting coefficient sequences. By representing history as a compact set of polynomial coefficients and filtering those coefficients in the frequency domain, FiLM enables efficient extrapolation over long prediction horizons without the quadratic cost of full self-attention.