- FuseFormer: 用于视觉和热图像融合的 Transformer
通过整合转换器模型的多尺度融合策略，本研究提出了一种新的图像融合方法，以克服使用评价指标作为损失函数所带来的局限性，并改善了整体方法的效果。
- 大规模图像分类卷积神经网络的神经损失函数演化
使用神经损失函数搜索（NLFS）方法，我们在卷积神经网络中发现了三个新的损失函数（NeuroLoss1、NeuroLoss2 和 NeuroLoss3），它们能够以更高的平均测试准确率取代交叉熵作为简单的损失函数，从而实现更好的泛化效果。
- 用机器学习探索理论景观的真相与美丽
理论物理学家使用机器学习技术提出损失函数，通过最小化这些函数来建立美观且真实的理论模型，以描述自然现象。
- 用于高效重建随机微分方程的平方 Wasserstein-2 距离
我们提供了关于两个随机微分方程（SDEs）相关的两个概率分布的平方 Wasserstein-2（$W_2$）距离的分析。基于这个分析，我们提出了使用基于平方 $W_2$ 距离的损失函数来从噪声数据中重构 SDEs。为了展示我们的 Wasse - ICLR从聚合响应中学习：实例级和包级损失函数
由于隐私关切的增加，在许多实际应用中，培训数据在与学习者共享之前被聚合，以保护用户敏感响应的隐私。本文研究了两种用于从聚合响应中学习的自然损失函数：基于包的损失和基于实例的损失。我们展示了实例层面的损失可以被视为包层面损失的正则化形式。我们 - BSL：理解和改进用于推荐的 Softmax 损失函数
通过理论分析我们发现 Softmax loss (SL) 的强大性能是由于对负数据分布进行了 Distributionally Robust Optimization (DRO)，因此具有鲁棒性；相较于其他损失函数，SL 隐式地惩罚预测方差 - 正确损失：基于学习的视觉里程计中的欧几里得和黎曼度量
本研究重点概述了视觉里程计（VO）网络中的不同姿态表示和度量函数。通过在 VO 网络 DeepVO 中实现基于欧拉角、四元数和弦距离的损失函数并分析其对性能的影响，我们研究了姿态表示和损失函数对网络收敛和泛化的显著影响。实验结果表明，符合度 - 广义张量分解的 ADMM-MM 算法
该论文提出了一种面向一般线性观测模型中低秩张量逆问题的新统一优化算法，该算法支持多种低秩张量分解模型和基本损失函数，并提出了基于交替方向乘子法向和主化极小化方法的优化算法。通过该算法可以解决广泛的应用，并且可以轻松扩展到任何已建立的张量分解 - ReFusion: 通过元学习从重建中学习可学习损失的图像融合
我们提出了一种名为 ReFusion 的统一的元学习图像融合框架，通过重构源图像来学习最佳融合损失函数，解决了深度学习图像融合算法中由于缺乏确定性的标准和距离测量而存在的问题，并能够成功适应多种融合任务。
- 语义分割时代的损失函数：调查与展望
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。
- DyRA：动态分辨率调整用于尺度鲁棒物体检测
我们提出了一个自适应分辨率缩放网络 DyRA，用于现有的检测器，该网络由卷积和 Transformer 编码器块组成，并与特殊设计的损失函数（ParetoScaleLoss 和 BalanceLoss）一起进行联合训练，以返回图像的尺度因子 - 基于优化的多模态语义图像编辑
我们提出了一种推理时间编辑优化方法，旨在通过两个专门的损失函数，成功地完成本地图像修改和全局内容一致性保留的竞争子任务，实现文本、姿势和涂鸦等多种编辑指令类型的灵活编辑解决方案，并通过定性和定量实验证明了我们能够实现复杂的编辑。
- 利用多个空间变换器和损失函数提高在不受控制和协作环境中的手部识别
提出了一种算法，利用多空间变换网络（MSTN）和多个损失函数来提高全手图像中的手部识别准确性，在非受控和非合作环境下，该算法明显优于现有方法，并对来自不同领域的样本具有良好的泛化能力。
- 高内容筛查中的弱监督跨模型学习
介绍了一种新颖的方法，利用图像数据和分子表示学习跨模态表示进行药物发现；提出了两种创新的损失函数 EMM 和 IMM，基于 CLIP 构建，利用弱监督和高内容筛选中的跨站点复制；通过在跨模态检索上对比已知基准线，在学习更好表示并减轻批次效应 - 利用机器学习在味道物理学中追求真理与美丽
通过机器学习技术，我们设计了针对现有实验数据的拟合和满足美感、自然性等抽象理论家标准的损失函数。我们以 Yukawa 夸克部门作为一个案例，证明了这些损失函数的优化可以得到真实而美观的模型。
- 优化规划启发式算法，以排序而非估算目标开销
本论文重新审视了启发式函数在规划中的模仿学习中的必要和充分条件，并针对给定的前向搜索算法的变体提出了一族基于排名的损失函数。另外，从学习理论的角度讨论了为什么优化成本 - 目标 h * 是不必要困难的。实验比较在多样化的问题集上明确地支持了 - 交叉熵、Dice 和焦点损失在海冰类型分割中的比较
使用卷积神经网络（CNN）模型预测海洋冰类型，评估三种不同的损失函数对其性能的影响，结果表明交叉熵在物理上更一致。
- 关于部分形状对应与功能映射的研究
通过提出一种新的部分形状匹配方法，该方法可以通过特征匹配建立偏差和完整形状的直接对应关系，并使用功能地图中间空间。Gromov 距离是构建我们损失函数的第一部分的依据，另外我们还使用了基于映射保持面积属性的项以及无需计算功能地图的放松版本进 - 证据深度学习中的不确定性知识
本文揭示了 Evidential Deep Learning（EDL）中由不确定性值产生的证据信号的存在，并通过理论和实证研究证明了 EDL 的不确定性与误分类偏差之间的关联，从而揭示出 EDL 对 loss functions 的耦合情况 - 基于 Transformer 的自由文本按键身份验证：架构和损失函数的比较研究
该论文研究了基于敲击行为的生物特征识别与验证方法，提出了一种基于 Transformer 的网络模型，通过自注意机制从敲击序列中提取信息特征，超越了传统的循环神经网络的性能。该研究探索了两种不同的网络架构，分别是双编码器和交叉编码器，并比较