본 논문은 희소하고 불규칙하게 샘플링된 시계열 데이터로부터 연속 시간 역학을 모델링하는 문제를 다룬다. Neural controlled differential equations는 이러한 작업에 유용한 프레임워크이지만, 이의 성능은 이산 관측치로부터 구성된 제어 경로의 선택에 크게 의존한다. 기존 방법들은 고정된 보간 기법을 사용하는데, 이는 특히 데이터 손실이 심한 경우 근본적인 데이터 매니폴드를 잘못 표현할 수 있다. 본 논문에서는 Invertible Neural Flow를 통해 제어 경로의 기하학을 학습하는 새로운 접근 방식인 FlowPath를 제안한다. FlowPath는 관측치를 단순히 연결하는 대신, 정보 보존적이고 잘 동작하는 변환을 보장하는 가역성 제약 조건을 통해 유도되는 연속적이고 데이터 적응적인 매니폴드를 구성한다.
