تقدم هذه الورقة رؤية مبنية على تحسين التشابه بين الأزواج في تعلم الميزات العميقة، بهدف تكبير التشابه الداخلي للصنف $s_p$sp​ وتقليل التشابه بين الأصناف $s_n$sn​. ونلاحظ أن معظم دوال الخسارة، بما في ذلك خسارة الثلاثية وخسارة الـ softmax مع الانتروبيا المتقاطعة، تُدمج $s_n$sn​ و $s_p$sp​ في أزواج التشابه وتحاول تقليل الفرق $(s_n - s_p)$(sn​−sp​). ويُعد هذا الأسلوب في التحسين غير مرن، لأنه يُقيّد قوة العقوبة المطبقة على كل قيمة تشابه فردية بأن تكون متساوية. وتنبع مناidea أن التشابه الذي يبتعد كثيرًا عن القيمة المثلى يجب أن يُعطى أولوية أكبر. ولتحقيق ذلك، نُعيد وزن كل قيمة تشابه ببساطة لتسليط الضوء على القيم الأقل تحسينًا. ويؤدي ذلك إلى ظهور ما يُسمى بـ "خسارة الدائرة" (Circle loss)، والتي حُملت هذا الاسم نظرًا لحدود القرار الدائرية التي تمتلكها. وتتميز خسارة الدائرة بمعادلة موحدة تُطبَّق على الطريقتين الأساسيتين لتعلم الميزات العميقة، وهما: التعلم باستخدام العلامات على مستوى الصنف، والتعلم باستخدام العلامات الزوجية. ونُظهر تحليليًا أن خسارة الدائرة تقدم نهجًا أكثر مرونة في التحسين، مقارنة بدوال الخسارة التي تُحسّن $(s_n - s_p)$(sn​−sp​)، حيث تُحدّد هدفًا تقاربًا أكثر تحديدًا. ونُثبت تجريبيًا تفوق خسارة الدائرة في مجموعة متنوعة من مهام تعلم الميزات العميقة. ففي مهام التعرف على الوجوه، واسترجاع الأشخاص، بالإضافة إلى عدة قواعد بيانات استرجاع الصور الدقيقة، حققت الأداء مساويًا لأفضل الأداءات المُحققة حاليًا في المجال.