본 논문은 다양한 응용 분야에 걸쳐 딥러닝에서 손실 함수와 성능 지표의 주요 발전과 실용적인 통찰력을 강조하는 종합적인 검토를 제시합니다. 회귀와 분류와 같은 고전적인 작업에서의 기본적인 고려 사항을 설명한 후, 검색 증강 생성을 포함한 컴퓨터 비전 및 자연어 처리와 같은 특수 분야로 분석을 확장합니다. 각 설정에서 서로 다른 손실 함수와 평가 지표가 클래스 불균형, 이상치 및 시퀀스 수준 최적화와 같은 작업별 과제를 해결하는 데 어떻게 결합될 수 있는지 체계적으로 조사합니다. 주요 기여는 다음과 같습니다: (1) 손실과 지표가 서로 다른 학습 목표와 어떻게 정렬되는지 이해하기 위한 통합 프레임워크, (2) 경쟁 목표를 균형 있게 조정하는 다중 손실 설정에 대한 심층적인 논의, (3) 충실도와 맥락 관련성이 중요한 검색 증강 생성과 같은 최신 응용 프로그램을 평가하는 데 사용되는 특수 지표에 대한 새로운 통찰력. 경험적 행동과 도메인 제약을 기반으로 손실과 지표를 선택하거나 결합하는 모범 사례를 강조합니다. 마지막으로 손실 함수 검색의 자동화 및 점점 더 복잡해지는 딥러닝 작업에 대한 강력하고 해석 가능한 평가 척도 개발을 포함한 미해결 문제와 유망한 방향을 제시합니다. 이 검토는 연구자와 실무자에게 광범위한 실제 응용 프로그램에 대한 효과적인 훈련 파이프라인과 신뢰할 수 있는 모델 평가를 설계하는 데 더 명확한 지침을 제공하는 것을 목표로 합니다.
