序数编码作为二叉损失函数中的正则化器：用于太阳耀斑预测

太阳耀斑预测通常被形式化为二分类任务，依据指定阈值（例如大于或等于C类、M类或X类）将事件区分为耀斑（Flare, FL）或无耀斑（No-Flare, NF）。然而，这种二分类框架忽略了每个类别（FL和NF）内部子类的内在序数关系。尽管多项太阳耀斑预测研究都经验性地表明，距离预测阈值最近的误分类最为频繁，这表明模型在难以区分强度相似却位于二叉阈值相对侧的事件时遇到了困难。为缓解这一局限，我们提出一种修改损失函数的方法，将二叉标签子类之间的序数信息整合到常规的二元交叉熵（BCE）损失中。该方法作为一种序数感知的、数据驱动的正则化方法，在模型优化过程中，对预测阈值附近的错误 flare 事件施加更大的惩罚，而对远离边界的预测则惩罚较轻。通过将序数加权纳入损失函数，我们旨在通过利用数据中的序数特征来增强模型的学习过程，从而提升其整体性能。