Paired Flow Matching：无重建瓶颈的表征学习

基于摘要分析。本文研究编码—解码框架中紧凑表征与高保真重建之间的冲突，提出 Paired Flow Matching（PairedFM）：让表征引导完整观测之间的传输，而非依赖紧凑潜在变量重建全部观测细节。 核心机制是从同一数据分布抽取有序观测对，联合学习表征以及由配对表征索引的观测空间流族。生成时，源观测提供细节，目标表征决定传输方向。与 VAE 及 latent flow matching 的区别在于，生成过程不必将全部细节压缩进用于表征的潜在空间。摘要未说明配对构造、是否需要标签监督、具体损失、流参数化或生成时源观测的选择方式，这些实现条件尚未验证。 作者报告，论文刻画了表征可辨识及传输精确恢复真实目标的条件，但摘要未给出假设与证明范围。作者还报告，在所考察的实证研究中，PairedFM 学到信息丰富的表征，并在 VAE 与 latent flow matching 基线样本质量下降的情形下维持样本质量。数据集、评估指标、数据划分、量化结果、实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或跨任务稳定性。 平台推测（待验证）：若 EEG 中任务相关因素与部分观测细节可以分离，这种机制或可用于研究表征压缩与信号生成保真度之间的取舍。但源观测提供的细节也可能包含噪声、伪迹和被试特征，不能直接视为有益信息。可复用的是表征引导观测空间传输的思路；需改造时序与通道建模、配对策略及源观测选择，并检验低信噪比、跨被试通道差异和小数据下的稳定性。一个可证伪的小实验是在固定被试内数据划分与匹配训练预算下，对比 PairedFM、VAE 和 latent flow matching，同时评估表征的任务预测能力与生成信号保真度，并替换源观测检查是否引入无关特征。已有 EEG 相关工作尚未检索确认。