监督的机器学习方法需要在训练阶段最小化损失功能。顺序数据在许多研究领域中无处不在,并且通常通过为表格数据设计的基于欧几里得距离的损失函数处理。对于平滑的振荡数据,这些常规方法缺乏对同时惩罚幅度,频率和相位预测误差的能力,并且倾向于偏向振幅误差。我们将表面相似性参数(SSP)作为一种新型损耗函数引入,对于平滑振荡序列的训练机器学习模型特别有用。我们对混沌时空动力学系统进行的广泛实验表明,SSP有益于塑造梯度,从而加速训练过程,减少最终预测误差,增加重量初始化的鲁棒性以及与使用经典损失功能相比,实施更强的正则化效果。结果表明,新型损失度量的潜力,特别是对于高度复杂和混乱的数据,例如由非线性二维Kuramoto-Sivashinsky方程以及流体中分散表面重力波的线性传播所引起的数据。
translated by 谷歌翻译