본 논문은 시간 시계열 자기 지도 학습을 위한 구조 인식 메트릭 함수인 신호 다이스 유사도 계수(SDSC)를 제안합니다. 기존의 많은 자기 지도 학습 방법들은 진폭에 민감하고, 파형 극성에는 불변하며, 척도가 무한한 평균 제곱 오차(MSE)와 같은 거리 기반 목적 함수를 사용하는데, 이는 의미적 정렬을 저해하고 해석력을 떨어뜨립니다. SDSC는 다이스 유사도 계수(DSC)에서 유도된 부호화된 진폭의 교집합을 기반으로 시간 신호 간의 구조적 일치도를 정량화하여 이 문제를 해결합니다. SDSC는 구조 인식 메트릭으로 정의되지만, 1에서 빼고 헤비사이드 함수의 미분 가능한 근사치를 적용하여 기울기 기반 최적화를 위한 손실 함수로 사용할 수 있습니다. 또한 SDSC와 MSE를 결합하여 안정성을 향상시키고 필요한 경우 진폭을 유지하는 하이브리드 손실 공식도 제안합니다. 예측 및 분류 벤치마크에 대한 실험 결과, SDSC 기반 사전 훈련은 특히 도메인 내 및 저자원 시나리오에서 MSE보다 동등하거나 향상된 성능을 달성함을 보여줍니다. 이 결과는 신호 표현의 구조적 충실도가 의미적 표현 품질을 향상시키며, 구조 인식 메트릭을 기존 거리 기반 방법의 실행 가능한 대안으로 고려해야 함을 시사합니다.
