تلقت نماذج التعلم العميق المخصصة للبيانات الجدولية مؤخرًا اهتمامًا بحثيًا واسعًا، ومع ذلك لا يزال اختيار الوظائف الهدفية لمهام الانحدار أمراً غير مُستكشَف بشكل كافٍ. برزت أبحاث عديدة تقدم بدائل لمتوسط مربع الخطأ (Mean Squared Error - MSE)، لكن الفروقات في مجموعات البيانات، والهياكل الأساسية (backbones)، وبروتوكولات التقييم تجعل من الصعب مقارنة المنافع العملية لهذه البدائل.

في هذا العمل، نتناول هذه الفجوة من خلال إعادة تقييم منهجية للأهداف الانحدارية عبر مجموعة واسعة من مجموعات البيانات الجدولية المُعتمدة ونماذج عميقة متعددة. تُظهر مقارنتنا أن العديد من الأهداف المقترحة توفر فوائد محدودة أو غير متناسقة مقارنة بأساس MSE المُعدّل بشكل صحيح، بينما يُظهر خسارة الكوانتيل (quantile loss) تحسينات متسقة على المتوسط المربع عبر النماذج المُختبرة.

لكننا تعرفنا أيضًا على حدّ يبقى حتى مع هذا الهدف القوي: فالمناطق التي تتمتع بمستويات مختلفة من الضوضاء يمكن أن تحقق أفضل أداء تنبؤي لها عند تكرارات تدريب مختلفة. نتيجةً لذلك، فإن نقطة إيقاف عالمية واحدة قد تفرض تسوية بين مناطق عدم اليقين، حتى عندما يمكن للهدف تمثيل توزيعات استهداف غير متجانسة (heteroskedastic target distributions).

مدفوعين بهذه المحدودية، نقدم توسيعاً واعياً للضوضاء لخسارة الكوانتيل، التي تستخدم تلطيف التسمية المعتمد على المدخلات كعلاج محتمل، مما يُحسن النتائج مقارنةً بخسارة الكوانتيل على العديد من النماذج الأساسية.

بشكل عام، توفر نتائجنا صورة تجريبية حديثة حول الأهداف الانحدارية في التعلم العميق للبيانات الجدولية، وتسلط الضوء على كيف يمكن أن تحد الفروقات في أوقات الإيقاف المثلى عبر مناطق عدم اليقين من فعالية الإيقاف المبكر العالمي. الشيفرة متاحة على رابط GitHub.