خسارة الانتشار هي دالة خسارة مرتبطة بنماذج الانتشار، والتي تستخدم لتوجيه النموذج لتعلم كيفية إزالة الضوضاء تدريجيًا واستعادة الهيكل الأصلي للبيانات أثناء التدريب. يعمل نموذج الانتشار من خلال مرحلتين: عملية الانتشار الأمامي وعملية الانتشار العكسي. أثناء عملية الانتشار الأمامي، يقوم النموذج بإضافة الضوضاء إلى البيانات تدريجيًا حتى تتحول البيانات إلى ضوضاء تمامًا؛ بينما أثناء عملية الانتشار العكسي، يتعلم النموذج كيفية إزالة الضوضاء واستعادة البيانات.

الغرض من دالة خسارة الانتشار هو تقليل خطأ التنبؤ بعملية إزالة الضوضاء، أي الفرق بين نتائج إزالة الضوضاء التي تنبأ بها النموذج والبيانات الفعلية. يتم تعريف دالة الخسارة هذه عادةً على أساس خطأ المتوسط التربيعي (MSE) أو مبدأ الاستدلال المتغير.