本研究提出了一种过拟合-欠拟合指标（OUI），用于监测深度神经网络的训练过程，并识别最佳的正则化超参数。实验结果表明，OUI能够有效指导权重衰减超参数的选择，从而提升模型的泛化能力。

本研究提出SALT方法，解决医学图像分割中的欠拟合问题。通过选择性适应重要奇异值，SALT在五个医学数据集上提高了2%至5%的Dice指标，展现出良好的适应性。

该研究探讨了变分自编码器（VAE）中的隐藏表示，提出了内在维度和信息不平衡的新理解。研究发现，当瓶颈大小超过内在维度时，VAE的行为会发生变化，并确认了快速拟合与缓慢泛化的训练阶段。这为优化架构搜索和诊断欠拟合问题提供了新工具。

本文提出了一种新颖的基于距离的回归方法，旨在解决过拟合和欠拟合问题。研究表明，该方法显著提高了预测准确性，并在特定数据集上展现了实用价值。

文章讨论了通过调整配置优化神经网络性能，重点在于避免过拟合和欠拟合。过拟合会导致模型在新数据上表现不佳，欠拟合则无法识别数据模式。早停法可以在验证损失最小时停止训练。损失函数如MSE和MAE影响模型对异常值的敏感度。优化器如SGD和Adam通过调整学习率提高训练效率。文章还提供了一个PyTorch示例。

过拟合是指模型在训练数据上表现好但在新数据上表现差，通常因为模型太复杂或数据不足。解决方法包括正则化和简化模型。欠拟合是模型在所有数据上表现差，通常因为模型太简单或训练不足。可以通过增加复杂度和特征工程来改善。关键是平衡模型复杂度与泛化能力。

本研究提出了重新审视提示预训练（RPP）框架，解决了视觉语言模型提示预训练中的欠拟合和泛化能力不足问题。实验证明RPP在多个基准测试中表现出色。

机器学习中的偏差-方差权衡是关键概念。偏差指模型过于简单导致系统性错误，方差则是模型对数据波动过于敏感导致复杂性过高。有效的模型需在偏差和方差之间找到平衡，以提高准确性。过拟合和欠拟合是常见问题，前者模型复杂，后者模型简单。增加训练数据或调整模型复杂度可帮助解决这些问题。

本文介绍了一种新颖的损失设计——“Lai损失”，通过整合正则化项到传统损失函数中，有效控制模型平滑度，减少过拟合和欠拟合。同时，提出了一种随机抽样的方法，解决了在大样本条件下应用该方法的挑战。实验结果证明Lai损失设计可以在确保最大准确性的同时控制模型平滑度。

本论文重新审视了在线学习中的记忆排挤动态，并通过设计了一个简单直观的“重复增强排挤（RAR）”基线来解决欠拟合和过拟合问题。研究了重复和增强练习之间的相互作用，并应用强化学习（RL）来动态调整 RAR 的超参数，以平衡稳定性和可塑性。

本文提出了一种新的学习策略，用于解决神经网络在处理类不平衡数据时的欠拟合和过拟合问题。该策略通过混合主类数据和其他数据的特征，在小批量中削弱主类数据的特征，以实现类之间的训练过程平衡。该策略在难度较大的数据集中取得了最新成果。