本研究提出EffiCANet模型，旨在解决多变量时间序列预测中的长期依赖性和复杂变量关系建模问题。该模型通过大内核分解卷积、变量间组卷积和全局时间-变量注意力机制，显著提高了预测精度和计算效率。实验结果表明，模型在九个基准数据集上的MAE最大降低10.02%，计算成本降低26.2%。

本文探讨了通过正交约束改善序列学习中的长期依赖性问题，提出了新的参数化方案和算法，涉及矩阵分解和优化方法，展示了算法的有效性和计算效率。

本文介绍了KF-RTRL算法，使用Kronecker分解逼近梯度，可用于学习长期依赖性的任务。实验结果表明，KF-RTRL算法在一些任务上与TBPTT算法性能相当，是TBPTT的有前途的替代方法。