线性模型在时间序列预测方面表现出色，特征归一化改善了模型泛化能力；分析了可使用这些线性模型体系结构表示的函数集合；证明了几种流行的线性模型变体等效于标准的无约束线性回归；每个模型可以重新解释为在适当增强的特征集上的无约束线性回归，因此在使用均方损失函数时具有闭式解；实验证明所检验模型的学习解几乎相同，进一步证明简洁的闭式解在 72％的测试情景中是更好的预测模型。

Mar, 2024

本文探讨神经网络中应用于时间序列预测的一些问题，提出了一种正则化方法，该方法能够缓解预测中所观测到的问题，并在合成和真实数据集上进行了评估。

Jul, 2022

本文提出了一种基于线性模型的高效时间序列预测模型，其核心组成部分包括：（1）将单通道和多通道数据的不同语义进行集成，对数据进行联合预测；（2）使用一种新的损失函数来替代传统的 MSE 和 MAE 损失以达到更高的预测精度。在广泛使用的基准时间序列数据集上，我们的模型不仅性能优于当前的 SOTA，而且速度提高了 10 倍，并且比最新的 SOTA 模型参数更少。

May, 2023

该研究探索了受重尾分析和不平衡分类问题启发的各种损失函数，以解决交通预测中拥堵预测不准确的问题。在实际交通数据集上的大量实验表明，MAE-Focal Loss 函数在优化 MAE 时最为有效，而 Gumbel Loss 函数在优化 MSE 时最佳，这些选择能有效地预测交通拥堵事件而不损害正常交通速度预测的准确性。该研究增强了深度学习模型在预测拥堵引起的突发速度变化方面的能力，并强调了进一步研究的必要性。通过提高拥堵预测的准确性，我们倡导在实际交通管理场景中使用可靠、安全和有韧性的 AI 系统。

Aug, 2023

本文介绍了广泛用于图像分割的知名损失函数，并列出了能够帮助模型快速优化的情况。同时，我们还介绍了一种新的 Log-cosh Dice 损失函数，并与广泛使用的损失函数在 NBFS 颅骨分割开源数据集上进行了比较。我们还展示了某些损失函数在所有数据集上表现良好，并可作为未知数据分布情况下的良好基准选择。欲了解更多信息，请访问 Github 链接。

Jun, 2020

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013

长期时间序列预测中，通过基于约束学习的方法在平均性能表现上找到最佳模型，以保持在每个时间步上的损失约束，从而塑造预测窗口中的误差分布。

Feb, 2024

该论文研究了概率预测中的标准损失函数，发现对于任何计算损失函数，log 损失函数都是最具选择性的，并讨论了其优化算法的特征。

Feb, 2015

本综述系统地评估了用于图像分割的 25 种损失函数，并提出了分类法和评估方法，以帮助研究人员找到适用于其应用的最佳损失函数。对医疗和自然图像数据集进行了中立评估，并指出了当前挑战和未来研究机会。

Dec, 2023

本文研究任意函数类和一般损失的在线回归问题，并确定了最小极大率。结果表明，当函数类的复杂度低于某一阈值时，最小极大率取决于损失函数的曲率和序列复杂度。而当复杂度高于该阈值时，损失的曲率不再影响率。此外，对于平方损失，当顺序和独立同分布的经验熵匹配时，统计和在线学习的速率相同。我们还提供了一种通用的预测器，它具有确定的最优率，并提供了一种设计在线预测算法的方法，用于某些问题可以是计算量有效的。

Jan, 2015