生成高質量的時間序列數據是機器學習領域的一大挑戰，因為真實世界的信號往往呈現出多模態模式和多尺度動態特性，包括振盪、趨勢變化和高頻波動。流匹配（Flow Matching, FM）作為一種有潛力的擴散模型替代方案，憑藉其訓練穩定性和採樣效率受到關注。然而，在實際應用中，標準流匹配通常依賴一個單一的、容量有限的全局向量場估計器。當面對異質時間分佈時，不同的動態模式可能會經過相近的流狀態，但卻需要截然不同的條件速度。使用標準的ℓ2速度匹配損失訓練的單一模型，往往傾向於學習一個過度平滑的局部傳輸場近似。這種估計器層面的平滑效應會削弱各分支特有的動態特徵，導致頻譜失真和模式覆蓋不全的問題。
為了解決上述問題，來自多個機構的研究人員提出了PrismFlow。該方法創新性地引入了一組受科普曼（Koopman）理論啓發的動態專家。每個專家在一個潛在空間中學習殘差修正項，在該空間中，局部的非線性時間演化可以通過線性轉換來近似。此外，研究團隊還設計了一種置信度感知的贏家通吃（Winner-Take-All, WTA）訓練目標：每次只更新與當前樣本最匹配的專家參數，同時屏蔽其他專家的梯度信號，從而促進每個專家專注於特定的動態模式。在採樣生成階段，被選中的專家會向全局傳輸場添加一個殘差動態修正，這樣既保持了流匹配的穩定性，又能恢復精細的高頻時間結構。
大量實驗表明，PrismFlow在多個標準基準測試中顯著緩解了標準流匹配的頻譜收縮問題，並取得了當前最優的性能。具體而言，Context-FID指標提升了15.6%，判別分數（Discriminative Score）提升了38.6%。此外，該方法在低數據場景下依然表現穩健，在預測和插補任務中同樣有效。這項研究為時間序列生成提供了一種新的高效方法，有望推動相關領域的發展。