我正在研究神经网络是否适合在一组元组（比如长度和一些传感器值）中检测“兴趣点”（POI）。POI 本质上是不遵循模式的值的快速变化。因此，如果我们的传感器值线性增加，然后突然跳跃 200%，这将是一个 POI。

这是我正在使用的数据的示例：

[(1,10),(2,11),(3,14),(5,24),(6.5,25), (7,26), (8,45)]

在此示例中，假设“(3,14)”、“(5,24)”和“(8,45)”是兴趣点。所以我正在尝试设计一个可以检测这些的神经网络。

我首先创建了一个静态输入长度为 500 个元素的一维卷积层。

在几个隐藏层之后，我应用了一个 sigmoid 函数，它提供了一个 0 和 1 的列表作为输出，其中 1 表示集合中的一个 POI。

我正在尝试解决这种方法的几个问题。

在分类损失函数中[1,0,0,1,0,0]，例如，如果预期输出是完全不准确的，则输出将被视为完全不准确，[0,1,0,0,1,0]而实际上这是相当准确的，因为预测的 POI 非常接近真实的 POI。

所以我想做的是找到一个损失函数来优化神经网络。

到目前为止，我已经尝试过：

• Binary Cross Entropy：我读到这对于分类输入可以属于多个类的位置很有用。我尝试了这一点，认为每个 POI 本质上都是一个“类别”。但这似乎不起作用，我认为这是因为我上面提到的。
• 平均绝对误差：这似乎得到了稍微好一点的结果，但经过仔细检查后，它似乎不是很准确，并且几乎可以一致地预测一组 POI。

我已经尝试了其他几个，但运气不佳。

什么损失函数更适合这个？

我尝试的另一个输出不是输出 0 和 1，而是应该只返回兴趣点的索引，比如 3、5 8。这会是更好的输出吗？