لقد أظهر التعلم العميق للقياس نتائج مبهرة في مهام مثل التجميع واسترجاع الصور من خلال استغلال الشبكات العصبية للحصول على تمثيلات مميزة عالية الجودة، والتي يمكن استخدامها لتصنيف العينات إلى فئات مختلفة. وقد تم تخصيص الكثير من الأبحاث لتصميم دوال خسارة ذكية أو استراتيجيات استخراج البيانات لتدريب هذه الشبكات. تُركّز معظم الطرق على أزواج أو ثلاثيات من العينات داخل حزمة صغيرة (mini-batch) لحساب دالة الخسارة، التي تعتمد عادةً على المسافة بين التمثيلات. نقترح دالة خسارة تُسمى "Group Loss"، تعتمد على طريقة توزيع مُميزة للوسوم (differentiable label-propagation) تفرض تشابه التمثيلات بين جميع العينات داخل مجموعة معينة، في الوقت الذي تُعزز فيه في نفس الوقت المناطق منخفضة الكثافة بين النقاط التي تنتمي إلى مجموعات مختلفة. وتُوجّه هذه الدالة بالفرضية التي تنص على أن "الكائنات المتشابهة يجب أن تنتمي إلى نفس المجموعة"، حيث تُدرّب الشبكة العصبية على مهمة تصنيف، مع ضمان تسمية متسقة بين العينات داخل الفئة نفسها. ونُظهر نتائج متفوقة على مستوى الحد الأدنى (state-of-the-art) في مهام التجميع واسترجاع الصور على عدة مجموعات بيانات، كما نُبرز الإمكانات الكامنة في طريقتنا عند دمجها مع تقنيات أخرى مثل المجموعات المتكاملة (ensembles).