Les chercheurs proposent GatedLinear, un cadre léger qui comble les limites des modèles d'apprentissage profond à mécanisme unique en formulant la prévision de séries temporelles comme le routage adaptatif de bases linéaires complémentaires. Le système utilise un pool de trois mécanismes spécialisés : une base de tendance-saisonnalité globale, une base incrémentielle basée sur les différences pour la dérive non stationnaire, et une base de récurrence alignée par phase pour la réutilisation cyclique.
- Une porte de fusion tri-factorisée désenchevêtre les décisions de routage en préférences spécifiques au canal, décalages sensibles à l'horizon et biais indexés par phase dérivés de repères temporels futurs connus.
- La conception permet un routage doux point-par-point très granulaire à travers différents régimes prédictifs sans empiler des modules neuronaux lourds en calcul.
- Les expériences sur des benchmarks standard montrent que la méthode atteint une précision de pointe ou hautement compétitive par rapport aux modèles fondamentaux complexes récents.
L'approche offre des motifs de routage explicitement interprétables tout en fonctionnant avec une empreinte de paramètres substantiellement plus petite.