FlowPath：用于稳健不规则采样时间序列分类的可逆流学习数据驱动流形

从稀疏和不规则采样的时间序列中建模连续时间动力学是根本性挑战。神经控制微分方程提供了原则框架，但其性能对控制路径从离散观察构建方式高度敏感。现有方法常采用固定插值方案，这些方案施加简陋的几何假设，尤其在缺失严重时常误表征底层数据流形。我们提出 FlowPath，一种 novel 方法通过可逆神经流学习控制路径的几何。不同于仅连接观察，FlowPath 在可逆性约束引导下构建连续且数据自适应的流形，强制信息保留和良好行为变换。这种归纳偏差区别于先前无约束可学习路径模型。在 18 个基准数据集和一个真实案例研究上的经验评估表明，FlowPath 在分类准确率上显著优于采用固定插值或非可逆架构的基线，获得统计显著的改进。这些结果突显不仅要建模路径上的动力学，还要建模路径本身几何的重要性，为从不规则时间序列学习提供稳健且通用的解决方案。