Arvien lielāku zinātnieku interesi iegūst kļūdas funkciju konstruēšana dziļās mašīnmācīšanās uzdevumiem, jo empīriski iegūtās kļūdas funkcijas ieguvušas labākus rezultātus nekā standarta kļūdas funkcijas, kas tika iegūtas analītiski no matemātikas teorijas. Šis darbs apraksta kļūdas funkciju un ar to saistītu metožu ietekmi uz dziļo stimulēto mašīnmācīšanos un dziļo metriku mašīnmācīšanos. Jaunizveidotā MDQN kļūdas funkcija pārspēja DDQN kļūdas funkciju PLE datorspēļu vidēs, un jaunizveidotā eksponenciālās trijotnes kļūdas funkcija pārspēja standarta trijotnes kļūdas funkciju sejas reidentifikācijas uzdevumā, izmantojot VGGFace2 datu kopu. Tā sasniedz 85,7% precizitāti, izmantojot nulles šāviena metodi. Šajā darbā iekļauts arī jaunizveidots UNet-RNN-Skip modelis, kas uzlabo veiktspēju vērtību funkcijai ceļu plānošanas uzdevumos. Tas iegūst tādu pašu rezultātu, kā vērību iterāciju algoritms 99,8% gadījumu, un var tikt apmācīts uz 32x32 izmēra kartēm, bet lietots arī uz lielākām kartēm, piemēram 256x256. Jaunizveidotās kļūdas funkcijas un metodes tiek veiksmīgi lietotas vairākos komerciālos produktos sejas un balss reidentifikācijā, audiosignāla attīrīšanā un hromatogrāfijā.