用于马尔可夫过程间传输的条件流匹配

arXiv:2610.07229v1 公告类型：新 摘要：受时间序列领域自适应背景下序列到序列传输的启发，我们研究了马尔可夫过程轨迹之间的传输问题。给定源分布和目标分布中的有限数量轨迹，我们提出了一种基于流匹配的算法，该算法学习从源轨迹分布到目标轨迹分布的传输映射，同时保留马尔可夫结构。我们证明了该方法在总体极限下具有一致性，并在混合时间假设下推导出有限样本误差界；相关分析遵循马尔可夫情形下包括回归（Nagaraj et al., 2020）、主成分分析（Kumar and Sarkar, 2023）和矩阵集中（Neeman et al., 2024）在内的经典统计问题分析。除此之外，我们还构造了一个下界，表明即使条件转移为正则高斯转移，也无法避免依赖于混合时间的样本复杂度。我们在合成数据和真实世界数据上进行了评估。对于在 THINGS-EEG2（Gifford et al., 2022）上基于脑电图（EEG）的图像检索任务，目标是从采集自人类受试者的 EEG 信号中识别其所观看的图像，而该任务受到较高受试者间差异的影响。我们在 ENIGMA 解码器（Kneeland et al., 2026）的受试者特定时间映射之前加入条件流，使平均 top-5 检索准确率从 43.87% 提升至 49.05%，相对提升 11.82%。