رغم التقدم الملحوظ الذي تحقق على مدى الخمسة والعشرين عامًا الماضية، لا يزال التحقق من الوجه غير المقيد مشكلة صعبة. تقترح هذه الورقة نهجًا يجمع بين طريقة تستند إلى شبكات العصبونات العميقة (CNN) ومتجه تمييزي منخفض البعد يتم تعلمه باستخدام قيود احتمالية ثلاثية لحل مشكلة التحقق من الوجه غير المقيد. بالإضافة إلى تحقيق تحسينات في الأداء، يوفر هذا المتجه مزايا كبيرة فيما يتعلق بالذاكرة وعمليات المعالجة اللاحقة مثل التجميع حسب الموضوع. أظهرت التجارب على مجموعة البيانات الصعبة IJB-A أن الخوارزمية المقترحة تؤدي بشكل مماثل أو أفضل من الأساليب الرائدة في مقاييس التحقق والتحديد، مع الحاجة إلى بيانات تدريب أقل بكثير ووقت تدريب أقصر. يدل الأداء المتفوق للطريقة المقترحة على مجموعة البيانات CFP على أن التمثيل الذي يتم تعلمه بواسطة شبكتنا العصبية العميقة هو مقاوم للتغيرات الشديدة في الزاوية. علاوة على ذلك، نثبت مقاومة الخصائص العميقة للتحديات التي تشمل العمر والزاوية والضبابية والفوضى من خلال إجراء تجارب تجميع بسيطة على كل من مجموعتي البيانات IJB-A وLFW.