時系列データのスパースで不規則なサンプリングから連続時間の動態をモデル化することは依然として重要な課題です。本論文では、Neural Controlled Differential Equationsを基にした制御経路の選択がパフォーマンスに与える影響を論じ、従来の固定補間手法の限界について述べています。提案するFlowPathは、可逆なニューラルフローを用いた新たなアプローチで、観測点を単に接続するのではなく、データ適応型の連続多様体を構築します。この手法では情報を保持する変換を保証する制約が導入されており、既存の不制約モデルとは一線を画します。18のベンチマークデータセットおよび実世界のケーススタディにおける評価は、固定補間法や非可逆アーキテクチャに対して統計的に有意な分類精度の向上を示し、不規則な時系列から学習するための堅牢で一般化可能な解決策を提供します。