本研究针对传统方法在从头训练线性递归模型时的高成本和风险问题，提出了一种新的线性化方法，名为狮子（Liger）。该方法将预训练的大型语言模型转换为门控线性递归模型，避免添加额外参数，利用预训练的关键矩阵权重构建多种门控机制，并通过轻量级微调恢复性能，取得了与原始大型语言模型相当的效果。

本文介绍了一种新颖的神经网络架构，该架构整合了 ResNet 结构的元素，并引入了 Taylor 级数框架的创新融合。这种方法在许多基准数据集上展现出显著的测试准确性改进，并进一步通过引入递归步骤来提高测试准确性。我们的研究结果强调了我们提出的模型在显著推进时间序列分析方法学方面的潜力，为未来的研究和应用提供了有希望的途径。