TVGL-CFM：基于条件流匹配的动态网络时变轨迹生成与预测

基于摘要分析。本研究面向动态网络的完整连接轨迹生成与未来连接预测，提出 TVGL-CFM，将时变图模型的精度矩阵轨迹与条件流匹配结合，支持类别条件生成和历史条件预测。研究对象包括 EEG 运动想象数据及三个非线性动力系统，并非直接以运动想象分类准确率为主要贡献表述。 核心机制是以 time-varying graphical lasso（TVGL）从多变量信号估计时间连贯的稀疏精度矩阵序列，用其表示随时间变化的依赖结构。包含 T 个时间窗、每个矩阵维度为 p 的对称正定（SPD）轨迹位于乘积黎曼流形 (S++^p)^T 上。作者构造全局 log-Euclidean 微分同胚，将该空间映射到欧氏序列空间，再以 Transformer 为骨干的非自回归条件流匹配模型联合生成全部时间窗，解码后直接得到 SPD 矩阵，无需事后投影，也不要求预先指定图结构。 在预测任务中，作者使用两种不同的数据依赖耦合，使流模型将包含信息的先验变换为连贯的未来轨迹块；摘要未交代两种耦合的具体构造。作者报告，在 EEG 运动想象数据与三个非线性动力系统的评估中，TVGL-CFM 能保留具有类别区分性的依赖结构，且未来连接预测优于若干严格匹配的基线；摘要未提供数据集名称、被试数量、评估指标、数值结果或基线细节，因此不能据此推断其提升了 BCI 解码性能。 全文需重点核对 TVGL 的时间窗与稀疏性设置、类别及历史条件的注入方式、预测范围、被试内或跨被试等数据划分，以及连接保真度和预测误差的定义。实验协议、消融及统计信息尚未验证，代码与训练资源条件也尚未确认。SPD 约束保证不等同于稀疏性或生理解释性的保证，生成轨迹是否保持这些属性仍需结合正文结果判断。