Die Erfassung langfristiger Abhängigkeiten in sequenziellen Eingaben – einschließlich Text, Audio und genomischer Daten – stellt ein zentrales Problem im Bereich des tiefen Lernens dar. Feed-forward-Faltungsmodelle erfassen lediglich Merkmalsinteraktionen innerhalb begrenzter Rezeptionsfelder, während rekurrente Architekturen aufgrund von verschwindenden Gradienten oft langsam und schwer zu trainieren sind. In diesem Beitrag stellen wir Temporal Feature-Wise Linear Modulation (TFiLM) vor – eine neuartige architektonische Komponente, die sich von der adaptiven Batch-Normalisierung und deren Erweiterungen inspirieren lässt –, die ein rekurrentes neuronales Netzwerk nutzt, um die Aktivierungen eines Faltungsmodells zu modulieren. Dieser Ansatz erweitert das Rezeptionsfeld von Faltungssequenzmodellen mit minimalen zusätzlichen Rechenkosten. Empirisch zeigen wir, dass TFiLM die Lerngeschwindigkeit und Genauigkeit von Feed-forward-Neuralen Netzwerken erheblich verbessert, sowohl bei generativen als auch bei diskriminativen Lernaufgaben, darunter Textklassifikation und Audio-Super-Resolution.