PrismFlow：时间序列生成中流匹配的剩余动力学

arXiv:2605.28867v1 公告类型：新 摘要：生成高质量的时间序列数据具有挑战性，因为现实世界的信号通常表现出多模态模式和多尺度动态，包括振荡和高频变化。流量匹配 (FM) 提供了扩散模型的有效替代方案，但实际实现通常依赖于单个有限容量的全局矢量场估计器。在这种异质时间分布中，不同的流态可能会通过附近的流动状态，同时需要不兼容的条件速度。因此，使用标准 $\ell_2$ 速度匹配目标训练的整体估计器可能会学习局部传输场的过度平滑的近似值。这种估计器级平滑可以减弱特定于分支的动态，从而导致频谱失真和模式覆盖率较差。为了解决这个问题，我们提出了 PrismFlow，这是一种受库普曼启发的动态专家的新 FM 方法。每个专家都会在潜在空间中学习残差校正，其中局部非线性时间演化可以通过线性转换来近似。我们进一步提出了一个有信心的赢家通吃（WTA）目标，该目标仅更新与每个样本最一致的专家，同时掩盖其他样本的梯度，鼓励特定模式的专业化。在采样过程中，选定的专家向全局传输场添加残余动态校正，保持 FM 稳定性，同时恢复细粒度和高频时间结构。在各种基准测试中，PrismFlow 有效减轻了标准 FM 中的频谱收缩，并实现了最先进的性能，Context-FID 提高了 15.6%，判别得分提高了 38.6%，同时在低数据设置中保持稳健，并且对预测和插补有效。