PathFM：多变量轨迹的快速生成式预测

基于摘要分析。该研究针对通用时间序列预测中边际分位数不能明确刻画未来轨迹依赖结构的问题，提出以 flow matching 生成完整未来路径的 PathFM，并引入路径级评估基准 fps-bench。主要研究对象是生成式时间序列预测，而非 EEG 解码或 BCI。 机制上，PathFM 将生成模型蒸馏为一步或两步采样，并在同一序列的多次路径采样之间共享历史注意力缓存。作者报告，这使多条路径的生成耗时约相当于向分位数模型查询一次；具体硬件、路径数量与计时协议尚未验证。蒸馏后的采样器还使直接优化校准损失具有可行性，但摘要未提供该损失的定义与训练细节。 评估方面，作者报告在 fev-bench 和 TIME 上取得有竞争力的边际预测准确性。新增的 Forecast Path Score Bench（fps-bench）在 fev-bench 任务上补充 energy score、variogram score 及下游指标；作者报告 PathFM 的聚合路径得分优于所有受评外部基线，但摘要未给出具体数值、基线名单或聚合规则。作者还报告，在混沌系统实验中，其 flow 模型能够维持长期变异性，而强基线快速出现塌缩。上述结果需分别结合各自协议理解，不能将边际准确性与路径质量等同。 平台推测（待验证）：完整路径建模可能适用于需要保留多通道未来依赖关系的 EEG 预测，但原领域结果不等于 BCI 有效。可考虑复用路径采样机制，需改造通道表示与预处理；低信噪比、跨被试差异和小数据可能使生成的依赖结构失真。一个可证伪的小实验是在固定被试内、按时间隔离的训练与测试划分下，对照边际预测模型，同时评估边际误差与路径级得分，检验收益是否确实来自依赖建模。已有 EEG 相关工作尚未检索确认。全文中的数据规模、实验协议、消融、统计信息及复现资源尚未验证。