최근 연구는 선형 모델이 복잡한 아키텍처와 경쟁하는 예측 성능을 달성함을 보여주지만, 선형 모델을 향상시키는 방법론은 충분히 연구되지 않았다. 서로 다른 시계열 인스턴스가 이질적인 선형 매핑을 따를 수 있다는 가설에 동기를 부여받아, 분류 보조 채널 독립성(CACI)을 사용하는 CATS-Linear(Classification Auxiliary Trend-Seasonal Decoupling Linear Model)를 제안한다. CACI는 분류를 통해 인스턴스를 전용 예측기로 동적으로 라우팅하여 지도 채널 설계를 가능하게 한다. 또한 다양한 채널 설정의 이론적 예상 위험을 분석한다. 또한, 추세 구성 요소에 대한 디커플링 – 선형 매핑 – 재결합 프레임워크와 계절성 구성 요소에 대한 복소수 영역 선형 투영을 추가하여 추세-계절성 분해 아키텍처를 재설계했다. 광범위한 실험을 통해 고정 하이퍼파라미터가 있는 CATS-Linear가 하이퍼파라미터 튜닝된 기준선과 동등한 최첨단 정확도를 달성하고, 고정 하이퍼파라미터 대응에 대해 SOTA 정확도를 제공함을 입증했다.
