GalerkinFlow：通过 Galerkin 投影在函数空间中进行 Flow Matching

GalerkinFlow 面向时间序列生成，提出将生成状态从逐采样点表示转移到低维样条系数空间，以降低状态规模对窗口长度和采样网格的依赖，并给出生成误差的显式分解。基于摘要分析，未取得论文全文。 核心机制是：先通过岭拟合将每个观测窗口投影到固定的三次 B-spline 基，再由 Transformer 使用标准 flow matching 学习联合 K×D 系数分布，最后通过固定线性合成映射，在指定采样网格上解码。生成过程在系数空间中进行，但输出仍可采用不同网格；其表达能力受固定基的投影精度约束。 作者指出，合成映射在样条 Gram 度量下具有等距性质，因此平方函数 Wasserstein 误差可精确分解为由基决定的投影误差下限，以及训练可降低的系数传输误差。摘要还给出了针对有限、可能不完整观测下系数拟合的进一步误差界；具体假设、证明条件及界的紧致程度尚未验证。 作者报告：在六个规则采样基准上取得最低 Context-FID；在不规则采样到不规则采样生成中，于所有测试的非零丢弃率下优于摘要记作 \\smf 的对照；在规则采样基准上的训练速度为对照的 2.5–4.6 倍。摘要未列出基准名称、数据划分、完整对照及计时条件，实验协议、消融及统计信息尚未验证，不能据此判断跨数据集泛化或 EEG 生成质量。 平台推测（待验证）：若 EEG 窗口可由较少样条系数充分表示，该机制可能缓解长窗口生成的状态开销。可复用系数拟合、flow matching 与网格解码模块，但需评估基分辨率、通道结构和幅值归一化；低信噪比、高频或瞬态成分、跨被试差异及小数据训练都可能使投影或分布学习失效。一个可证伪的小实验是在固定被试内训练／测试划分下，改变基规模与观测丢弃率，分别检查投影重建误差、生成信号的频谱和 ERP 保真度及训练耗时。已有 EEG 相关工作尚未检索确认。