MercerFlow：在核诱导潜在空间中进行流匹配的概率预测

基于摘要分析。MercerFlow 研究概率时间序列预测中，数据匹配先验与线性潜在映射如何共同影响条件流匹配（CFM），提出以先验核的 Mercer 特征基构造潜在空间，使 MLP 能够在不采用序列骨干的情况下学习预测分布。 核心机制是通过可逆映射将时间序列嵌入单个潜在向量，再在该空间学习流。数据匹配先验引入的局部相关性通常由 RNN、S4 或 Transformer 吸收；作者提出，先用合适的基变换处理相关结构，可让表格式 MLP 将序列作为特征集合处理。摘要称，Mercer 特征基能精确对角化中心化协方差，其构造不依赖训练数据，并可适配非平稳及周期先验。相比之下，作者认为 Fourier、DCT 固定变换仅对 Ornstein–Uhlenbeck 先验具有良好条件性，而数据拟合的 PCA 映射虽是较强参照，却依赖训练集且对训练—测试分布偏移敏感；这些结论的成立条件需结合全文核对。 作者报告，在五个 GluonTS 基准 ETTh1、ETTh2、Weather、Electricity、Traffic 上，与 TSFlow 使用共享协议时，该 MLP 的 CRPS 持平或更优，训练显存需求约为对照的 1/4.7，每轮训练耗时约为对照的 1/3.5 至 1/4.4。具体数据划分、预测长度、逐数据集指标、硬件与资源测量口径，以及实验协议、消融及统计信息尚未验证；摘要也未提供具体损失形式与实现细节。 平台推测（待验证）：若目标是 EEG 概率预测，可检验“先验协方差去相关能降低序列骨干需求”的假设，而不能直接推定其改善 BCI 分类。可复用核特征基与潜在空间流匹配，需改造多通道协方差建模及条件输入；低信噪比、跨被试变化、通道配置差异和小数据可能导致先验失配或映射不稳定。小规模实验可固定 EEG 数据划分、先验与 MLP，比较 Mercer、DCT、PCA 映射的 CRPS 和训练资源，并另行检验 Cross-subject 条件下的稳定性。已有 EEG 相关工作尚未检索确认。