Los investigadores proponen GatedLinear, un marco ligero que aborda las limitaciones de los modelos de aprendizaje profundo de mecanismo único al formular la predicción de series temporales como el enrutamiento adaptativo de bases lineales complementarias. El sistema utiliza un conjunto de tres mecanismos especializados: una base global de tendencia-estacionalidad, una base incremental basada en diferencias para la deriva no estacionaria y una base de recurrencia alineada por fase para la reutilización cíclica.
- Una puerta de fusión trifactorizada desentraña las decisiones de enrutamiento en preferencias específicas del canal, desplazamientos conscientes del horizonte y sesgos indexados por fase derivados de marcas temporales futuras conocidas.
- El diseño permite un enrutamiento suave punto a punto altamente granular entre diferentes regímenes predictivos sin apilar módulos neurales computacionalmente pesados.
- Los experimentos en benchmarks estándar muestran que el método alcanza una precisión de estado del arte o altamente competitiva frente a modelos fundamentales complejos recientes.
El enfoque ofrece patrones de enrutamiento explícitamente interpretables mientras opera con una huella de parámetros sustancialmente menor.