面向极端事件深度学习预报的输出加权与相对熵损失函数
机器学习
2021-12-03 v1 数值分析
数值分析
摘要
许多科学与工程问题需要具有罕见且极端事件的动力系统的精确模型。此类问题对数据驱动建模提出了挑战性任务，许多朴素的机器学习方法无法预测或准确量化此类事件。造成这一困难的一个原因是，具有极端事件的系统按定义会产生不平衡数据集，且标准损失函数容易忽略罕见事件。即，用于训练模型的拟合优度度量并非为确保罕见事件上的准确性而设计。本工作旨在通过考虑为突出离群值而设计的损失函数，改善极端事件回归模型的性能。我们提出了一种新颖的损失函数，即调整后的输出加权损失，并将基于相对熵的损失函数的适用性推广到具有低维输出的系统。所提函数在使用多个展现极端事件的动力学系统案例上进行了测试，结果表明其显著提升了极端事件预测的准确性。
引用
@article{arxiv.2112.00825,
title = {Output-weighted and relative entropy loss functions for deep learning precursors of extreme events},
author = {Samuel Rudy and Themistoklis Sapsis},
journal= {arXiv preprint arXiv:2112.00825},
year = {2021}
}