我々は、条件付きニューラルプロセス（conditional neural processes）と概念的に同等であり、正則化項の形を取ることでさまざまな種類のニューラルネットワークに適用可能な、新たな損失関数「共分散損失（Covariance Loss）」を提案する。この損失関数を用いることで、入力変数から出力変数への写像は、出力変数間の依存関係だけでなく、入力および出力変数の平均活性化値および平均依存関係にも強く影響を受ける。この性質により、得られるニューラルネットワークはノイズの多い観測値に対してよりロバストとなり、事前情報から欠落した依存関係を再構築する能力が向上する。提案する損失関数の有効性を検証するため、最先端のモデルを用いて実世界のデータセット上で広範な実験を実施し、共分散損失の利点と課題について議論する。