Peneliti mengusulkan GatedLinear, sebuah kerangka kerja ringan yang mengatasi keterbatasan model deep learning mekanisme tunggal dengan membingkai peramalan deret waktu sebagai routing adaptif dari basis linear komplementer. Sistem ini memanfaatkan kumpulan tiga mekanisme khusus: basis tren-musiman global, basis inkremental berbasis selisih untuk drift nonstasioner, dan basis rekurensi yang sejajar fase untuk penggunaan siklik.
- Gerbang Fusi Tri-Faktorized memisahkan keputusan routing menjadi preferensi spesifik saluran, offset yang sadar horizon, dan bias terindeks fase yang diturunkan dari tanda waktu masa depan yang diketahui.
- Desain ini memungkinkan routing lunak titik-demi-titik yang sangat granular di seluruh rezim prediktif berbeda tanpa menumpuk modul neural yang berat secara komputasi.
- Eksperimen pada benchmark standar menunjukkan metode ini mencapai akurasi state-of-the-art atau sangat kompetitif dibandingkan model fondasi kompleks terbaru.
Pendekatan ini menawarkan pola routing yang dapat diinterpretasikan secara eksplisit sambil beroperasi dengan jejak parameter yang jauh lebih kecil.