用于信号回归的LSTM模型中的训练数据分布变化

Question

我正在尝试使用LSTM训练序列模型，以在输入信号具有相同长度的情况下回归输出信号。输入/输出对是来自几个较长信号（50,000个时间步长）的短信号片段（100〜1000个时间步长），以便填充更多训练数据。

我的问题是，这些长信号中的每一个都有其自己的分布，与其他信号不同。差异不是很大，但很明显。当分布不同时，我的LSTM模型收敛不理想。为了检查我的模型，我模拟了一些具有相同动力学但具有恒定分布的信号，并且我的模型非常适合于回归任务。

我的问题是如何处理这样的问题？我已经看到了一些解决方案，例如选择性抽样（保持样本具有相似的分布）或分布映射，但是所有这些都针对常规神经网络进行了解释。在处理此问题时，我正在寻找一些有关序列建模的建议。