神经表征差异性衡量不同刺激、脑区、任务或模型之间的神经响应分布差异，是比较神经编码的核心工具。传统上使用的距离度量各自基于不同假设，并需分别估计。本文指出，这些度量可以统一到深度生成模型中的流匹配框架下，具体表现为在不同速度约束下的 Jeffreys 散度 $$D_J(p\|q)=D_{KL}(p\|q)+D_{KL}(q\|p)$$。实验表明，流匹配在处理复杂分布和连续变量时具有更高的估计精度，并且该框架提供了一个系统化的途径来构造新的距离度量。综上，流匹配为理解、估计以及设计神经表征差异性度量提供了统一的方法。
点评：该工作将生成模型的流匹配技术成功迁移到神经科学分析中，既提升了度量的计算效率，又拓展了度量设计的空间，具有重要的跨学科意义。