高品質な時系列データの生成は、現実世界の信号がしばしばマルチモーダルなパターンやマルチスケールのダイナミクス（振動や高周波変動を含む）を示すため、困難な課題である。フローマッチング（FM）は拡散モデルに対する効率的な代替手段を提供するが、実際の実装では通常、単一の有限容量のグローバルベクトル場推定器に依存している。このような異種の時間分布では、異なるレジームが近接したフロー状態を通過しながら、相容れない条件付き速度を必要とすることがある。標準的な $\ell_2$ 速度マッチング目的関数で訓練されたモノリシックな推定器は、したがって局所的な輸送場の過度に平滑化された近似を学習する可能性がある。この推定器レベルの平滑化は分岐固有のダイナミクスを減衰させ、スペクトル歪みとモードカバレッジの低下を引き起こす。
この問題に対処するため、Junru Zhangら9名の著者による研究チームは、Koopmanに着想を得た動的エキスパートを備えた新しいFM手法であるPrismFlowを提案した。各エキスパートは、局所的な非線形時間発展が線形遷移で近似できる潜在空間において残差補正を学習する。さらに、各サンプルに最も適合するエキスパートのみを更新し、他のエキスパートへの勾配をマスクする信頼度認識型Winner-Take-All（WTA）目的関数を提案し、モード特異的な専門化を促進する。サンプリング時には、選択されたエキスパートがグローバル輸送場に残差ダイナミクス補正を加え、FMの安定性を保ちながら細粒度および高周波の時間構造を回復する。
複数のベンチマークにおいて、PrismFlowは標準FMにおけるスペクトル収縮を効果的に緩和し、最先端の性能を達成した。具体的には、Context-FIDで15.6%の向上、識別スコア（Discriminative Score）で38.6%の改善を実現している。さらに、低データ設定でも堅牢であり、予測や補完タスクにも有効である。この研究はarXiv（2605.28867）に投稿され、機械学習（cs.LG）および人工知能（cs.AI）の分野に属しており、エキスパートの混合と残差学習を通じてフローマッチングによる時系列生成を改善する可能性を示している。