一句话总结
DLinear 证明的不是“线性永远最优”，而是“把结构拆清楚以后，线性模型就可能已经足够强”。
研究问题
我一开始看 DLinear，第一反应是它太朴素了。后来才意识到，它最厉害的地方恰恰在于朴素：把问题拆对，比堆更多层数更重要。
这篇论文重新检查了 Transformer 类模型在长期时间序列预测中的实际优势。作者质疑的不是深模型本身，而是当训练设置、预测长度和简单基线没有被认真对齐时，复杂结构带来的提升是否真的可靠。
核心方法
DLinear 的主线非常清楚：
- 先用移动平均做 decomposition，把序列拆成趋势项和季节项。
- 分别对两部分做线性映射。
- 再把两部分预测相加，得到最终结果。
decomposition 把原本纠缠在一起的模式拆松了。趋势负责慢变化，季节项负责围绕趋势的波动，线性层只需要各自处理相对清晰的输入。
论文还给出 NLinear 作为另一种简单基线，通过减去输入序列的最后一个值来缓解分布偏移。两种模型都刻意保持结构简单，让比较重点回到数据处理和任务本身。
实验与结论
论文在多个长期预测数据集和不同预测长度上重新比较线性模型与当时常用的 Transformer 类方法。作者报告，简单的线性基线在这些设置中能够取得很强的竞争力，并在不少实验上超过复杂模型。
我更愿意把这个结论理解为一次基线校准：它不能推出复杂模型没有价值，但说明任何新结构都应该先证明自己稳定地赢过经过认真设计的简单方法。
我的理解
DLinear 对我最有冲击的一点，是它重新定义了 baseline 的角色。它不是“凑数的简单模型”，而是一个检查器：
- 如果复杂模型赢不了它，先检查分解、归一化和实验设置。
- 如果线性模型已经很强，说明问题里可能存在显著的线性或低频结构。
- 如果结构足够清楚，模型未必需要很花哨。
它的边界也很明确：简单线性映射并不天然适合所有数据。当任务依赖复杂非线性、跨变量交互或快速变化的动态结构时，仍然需要更有表达力的方法。