本研究提出了一种混合损失框架，解决了时间序列预测中全局损失忽视关键子序列的问题。通过动态调整损失权重，预测性能提升了0.5-2%。

研究表明，类别间距离减小时，鲁棒公平性会恶化。为此，提出了“距离感知的公平对抗训练（DAFA）”方法，通过调整损失权重和对抗边界来改善鲁棒公平性。实验结果表明，该方法在鲁棒准确性方面优于现有方法。

本研究提出五种样本关系，通过对比学习和动态调整损失权重，提升多标签分类模型的性能和鲁棒性。

本文介绍了一种名为SR-Stereo的新型立体匹配方法，通过预测视差剪辑和使用与回归目标尺度相关的损失权重来缓解不同数据集之间的分布差异。同时，提出了基于预训练边缘的领域自适应（DAPE）来解决粗糙地面实况模型的边缘模糊问题。实验结果表明，SR-Stereo在视差估计性能和跨领域推广性能方面具有竞争力，DAPE显著改善了无纹理和细节区域的精调模型的视差估计性能。