Mô hình Bộ nhớ Legendre Cải tiến Tần số (FiLM)
FiLM là một kiến trúc dự báo chuỗi thời gian dài hạn được giới thiệu bởi Tian Zhou và cộng sự tại NeurIPS 2022. Nó kết hợp phép chiếu đa thức Legendre của đầu vào lịch sử với các bộ lọc miền tần số có thể học được áp dụng cho các chuỗi hệ số kết quả. Bằng cách biểu diễn lịch sử dưới dạng một tập hợp các hệ số đa thức nhỏ gọn và lọc các hệ số đó trong miền tần số, FiLM cho phép ngoại suy hiệu quả trên các chân trời dự báo dài mà không tốn chi phí bậc hai của cơ chế tự chú ý đầy đủ.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Bản đồ phương pháp
Lân cận của các phương pháp liên quan — chọn một nút để khám phá.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 2). FiLM (Frequency Improved Legendre Memory Model). ScholarGate. https://scholargate.app/vi/deep-learning/film
Phương pháp nào?
Đặt phương pháp này bên cạnh những phương pháp gần gũi nhất với nó và đọc chúng song song — thư viện bày sách lên bàn; lựa chọn là của bạn.
- Autoformer: Biến đổi phân tách cho dự báo chuỗi thời gian dài hạnHọc sâu↔ so sánh
- FEDformer: Transformer phân rã tăng cường tần sốHọc sâu↔ so sánh
- Mô hình không gian trạng thái (Bộ lọc Kalman)Kinh tế lượng↔ so sánh
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →