FiLM: แบบจำลองหน่วยความจำแบบเลเจนดร์ที่ปรับปรุงความถี่
FiLM เป็นสถาปัตยกรรมสำหรับการพยากรณ์อนุกรมเวลาแบบระยะยาวที่นำเสนอโดย Tian Zhou และคณะ ในงาน NeurIPS 2022 โดยเป็นการผสมผสานการฉายภาพพหุนามเลเจนดร์ของข้อมูลนำเข้าในอดีตเข้ากับตัวกรองโดเมนความถี่ที่สามารถเรียนรู้ได้ ซึ่งนำไปใช้กับลำดับสัมประสิทธิ์ที่ได้จากการฉายภาพนั้น ด้วยการแสดงประวัติในรูปแบบของชุดสัมประสิทธิ์พหุนามที่กะทัดรัด และการกรองสัมประสิทธิ์เหล่านั้นในโดเมนความถี่ FiLM จึงสามารถทำการประมาณค่าไปข้างหน้าในระยะเวลาพยากรณ์ที่ยาวนานได้อย่างมีประสิทธิภาพ โดยไม่ต้องมีค่าใช้จ่ายแบบกำลังสองของการใส่ใจตนเองเต็มรูปแบบ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/th/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 สำหรับการพยากรณ์อนุกรมเวลาในระยะยาวการเรียนรู้เชิงลึก↔ compare
- FEDformer: หม้อแปลงไฟฟ้าแบบแยกส่วนที่ปรับปรุงความถี่การเรียนรู้เชิงลึก↔ compare
- แบบจำลองปริภูมิสถานะ (ตัวกรองคาลมาน)เศรษฐมิติ↔ compare