الخسارة التقاطعية (Cross-entropy loss) وLoss المركزة (Focal loss) هما الخياران الأكثر شيوعًا عند تدريب الشبكات العصبية العميقة لمشاكل التصنيف. ومع ذلك، بشكل عام، يمكن لدالة الخسارة الجيدة أن تأخذ أشكالًا أكثر مرونة، ويجب تكييفها وفقًا للمهام والبيانات المختلفة. مستوحى من كيفية تقريب الدوال باستخدام التوسيع التايلوري، نقترح إطارًا بسيطًا يُسمى PolyLoss، لرؤية وتصميم دوال الخسارة كمزيج خطي لدوال متعددة الحدود. يسمح PolyLoss بتعديل سهولة أهمية القواعد المتعددة الحدود المختلفة حسب المهمة أو مجموعة البيانات المستهدفة، مع إدراج الخسارة التقاطعية والخسارة المركزة كحالات خاصة بشكل طبيعي. تُظهر النتائج التجريبية الواسعة أن الاختيار الأمثل ضمن إطار PolyLoss يعتمد فعلاً على المهمة ونوع البيانات. وبإدخال معلمة فائقة واحدة فقط وإضافة سطر واحد من التعليمات البرمجية، يتفوق نموذج Poly-1 لدينا على خسارة التقاطع وخسارة المركزة في مهام تصنيف الصور ثنائية الأبعاد، والتمييز بين الكائنات، وكشف الكائنات، وكشف الكائنات الثلاثية الأبعاد، أحيانًا بفارق كبير.