تمثيل المعرفة الذي يُعدّ دقيقًا في التقاط الاعتماديات الطويلة المدى في المدخلات التسلسلية — بما في ذلك النصوص، والصوتيات، والبيانات الجينومية — يُعدّ مشكلة محورية في التعلم العميق. تُقيّد النماذج التلافيفية ذات الاتجاه الأمامي بتفاعل الميزات ضمن مجالات استقبال محدودة، في حين أن الهياكل التكرارية قد تكون بطيئة وصعبة التدريب بسبب تلاشي المشتقات. هنا، نقترح مكونًا معماريًا جديدًا يُسمّى "التعديل الخطي المُخصص للسمات الزمنية" (TFiLM)، مستوحى من التطبيع المعياري المتكيف وتوسيعاته، والذي يستخدم شبكة عصبية تكرارية لتغيير تفعيلات نموذج تلافيفي. يُوسّع هذا النهج مجال استقبال النماذج التلافيفية التسلسلية بتكاليف حسابية ضئيلة جدًا. من الناحية التجريبية، وجدنا أن TFiLM يُحسّن بشكل كبير من سرعة التعلم والدقة في الشبكات العصبية ذات الاتجاه الأمامي على مجموعة متنوعة من مهام التعلّم التوليدية والتمييزية، بما في ذلك تصنيف النصوص وتحسين دقة الصوت.