FiLM: Покращена модель пам'яті Лежандра на основі частоти
FiLM — це архітектура для довгострокового прогнозування часових рядів, представлена Тіаном Чжоу та його колегами на NeurIPS 2022. Вона поєднує проєкції Лежандра історичних вхідних даних з навчальними фільтрами в частотній області, застосованими до отриманих послідовностей коефіцієнтів. Представляючи історію як компактний набір поліноміальних коефіцієнтів і фільтруючи ці коефіцієнти в частотній області, FiLM забезпечує ефективну екстраполяцію на довгих горизонтах прогнозування без квадратичних витрат повного механізму самостійної уваги.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/uk/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.
- AutoformerГлибоке навчання↔ compare
- FEDformer: Трансформер з покращеною частотою та розкладаннямГлибоке навчання↔ compare
- Модель простір-стан (фільтр Калмана)Економетрика↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →