Pesquisadores propõem o GatedLinear, uma estrutura leve que aborda as limitações de modelos de aprendizado profundo de mecanismo único ao enquadrar a previsão de séries temporais como o roteamento adaptativo de bases lineares complementares. O sistema utiliza um conjunto de três mecanismos especializados: uma base global de tendência-sazonalidade, uma base incremental baseada em diferenças para deriva não estacionária e uma base de recorrência alinhada por fase para reutilização cíclica.
- Um Portão de Fusão Tri-Fatorizado desassocia as decisões de roteamento em preferências específicas do canal, deslocamentos conscientes do horizonte e vieses indexados por fase derivados de marcas temporais futuras conhecidas.
- O design permite um roteamento suave ponto a ponto altamente granular entre diferentes regimes preditivos sem empilhar módulos neurais computacionalmente pesados.
- Experimentos em benchmarks padrão mostram que o método alcança precisidade de estado da arte ou altamente competitiva contra modelos fundamentais complexos recentes.
A abordagem oferece padrões de roteamento explicitamente interpretáveis enquanto opera com uma pegada de parámetros substancialmente menor.