Pytorch与多项式回归的自定义损失优化

Question

我有一个我试图训练回归模型的数据集。数据集中的值模式或多或少都是相同的，可以从下图进行描述：

样本1

样本2

左边是空间中的原始值，右边是我排序后的原始值（遵循多项式模式）。现在观察原始值图的人会认为上面的稀疏点是离群点，但是对于我想要应用的研究来说，这并不是非常重要的。因此，它们应该被考虑在内。对于回归值，我主要尝试了4种不同的损失函数，即MAE、MSE、RMSE和一个自定义函数，该函数是低误差值和高误差值上MAE和MSE的组合：

class CustomLoss(torch.nn.Module):
    def __init__(self):
        super(CustomLoss, self).__init__()

    def forward(self, predicted, true):
        errors = torch.abs(predicted - true)
        mask = errors > 250
        return torch.mean((0.5 * mask * (errors ** 2)) + ~mask * errors)

每种方法的输出如下所示：

梅

微卫星

RMSE

MAE+MSE

但是，正如您所看到的，所有的测试都无法处理高频值。对于示例2，我也得到了类似的输出。因此，我想问，是否有一种方法可以通过自定义损失或其他方式来解决此类价值

提前谢谢