近日，由网络与媒体实验室董亚波副主任和许端清副主任指导的2023级硕博连读生（2021级硕，2023级博）张君如同学一篇论文 “PrismFlow: Residual Dynamics for Flow Matching in Time-Series Generation”被机器学习领域国际顶级会议 NeurIPS（Conference on Neural Information Processing Systems）正式接收。NeurIPS是全球人工智能与机器学习领域最具影响力的顶级旗舰会议之一，与ICML、ICLR并列为机器学习三大顶会。今年，NeurIPS 2026 主会场将于 2026年 12 月 6 日至 12 日在澳大利亚悉尼举办，Main Track 共收到 30,709 篇投稿，接收 7,900 篇论文，录取率为 25.7%。

论文简介

高质量时间序列生成需要模型同时刻画真实数据中的多模态模式和多尺度动态，例如趋势变化、周期振荡和高频波动等。近年来，Flow Matching（FM）因训练稳定、采样高效，逐渐成为生成建模的重要技术路线。然而，现有方法通常采用单一全局向量场描述所有时间动态，在面对不同模式相互交织的复杂时间序列时，容易产生“平均化”现象，使高频和局部动态被过度平滑，进而导致频谱收缩和模式坍塌。为此，论文提出 PrismFlow，一种面向时间序列生成的全新 Flow Matching 框架，通过引入模式专属的残差动力学专家，在保留全局生成稳定性的同时，更准确地恢复细粒度、多尺度的时间动态。

论文主要技术创新如下：

第一，提出面向时间序列生成的残差动力学框架 PrismFlow。论文从 Flow Matching 中单一向量场容易产生速度平均的问题出发，将生成过程划分为稳定的全局传输和模式相关的局部残差修正，使模型能够更加充分地保留不同时间模式，缓解传统 FM 中的频谱收缩和模式坍塌问题。    

第二，设计基于 Koopman 理论的动态专家机制。PrismFlow 将复杂的非线性时间演化映射到潜在空间，并利用多个 Koopman-inspired Dynamical Experts 分别建模不同时间动态，使不同专家能够针对振荡、高频变化、趋势等模式学习专属的残差修正，从而提升生成序列的动态保真度。    

第三，提出基于 Winner-Take-All（WTA）的竞争式专家路由策略。对于每个时间状态，模型动态选择最合适的专家进行更新，并屏蔽其他专家的相关梯度，从而避免多个专家再次产生平均化，并促进不同专家形成明确的模式分工。    

实验结果显示，PrismFlow 在 Stocks、ETTh、Energy、fMRI 等真实数据集以及 Sines、MuJoCo 等合成数据集上均展现出优异的时间序列生成能力，并在小样本数据条件以及时间序列预测、缺失值插补等任务中同样表现出良好的鲁棒性和泛化能力。相关实验进一步表明，PrismFlow 能够有效缓解传统 Flow Matching 中的频谱收缩问题，更好地保留真实时间序列中的振荡、高频和多尺度动态，为复杂时间序列的高保真生成提供了新的技术思路。

作者简介：

张君如，2021级博士生，指导老师：董亚波、许端清。主要研究方向：传感器时序数据挖掘和分析，研究内容包括基于大语言模型的时序建模、生成模型以及迁移学习等。

导师简介：

许端清，浙江大学人工智能学院教授，主要研究方向：人工智能、深度学习、图像智能处理等。

董亚波，浙江大学人工智能学院副教授，主要研究方向：物联网技术、文物保护技术、传感器数据挖掘及处理等。