› Uno studio pubblicato nell'ottobre 2026 a firma di Danil Rudenko, Georgii Bulgakov, Nikolai Kartashev, Ivan Rubachev, Daniil Krasylnikov e Artem Babenko fa chiarezza sulle funzioni obiettivo per il deep learning su dati tabulari.
› Il codice per riprodurre gli esperimenti e reso pubblicamente disponibile al link indicato nel paper.Il problema: mancava un confronto rigoroso delle funzioni di perditaL'uso delle reti neurali sui dati tabulari e un campo di ricerca molto attivo, ma la scelta della loss function nei task di regressione e rimasta finora - come evidenziano gli autori - "un grado di liberta poco esplorato".
› Esistono diversi filoni di ricerca che propongono alternative al classico errore quadratico medio (MSE, mean squared error).
› Tuttavia, l'impiego di dataset eterogenei, architetture differenti e protocolli di valutazione disomogenei ha reso finora quasi impossibile valutare i vantaggi pratici reali.