يمكن تصنيف خسائر تعلم المقاييس الحالية إلى فئتين: خسائر تعتمد على الأزواج، وخسائر تعتمد على البوابات (Proxies). تتمتع الفئة الأولى بقدرة على استغلال العلاقات الدقيقة الدلالية بين نقاط البيانات، لكنها تبطئ من معدل التقارب عادةً بسبب تعقيد التدريب العالي. أما الفئة الثانية، فهي تتيح تقاربًا سريعًا وموثوقًا، لكنها لا تستطيع أخذ العلاقات الغنية بين البيانات بعين الاعتبار. يقدم هذا البحث خسارة جديدة تعتمد على البوابات، تجمع بين مزايا الخسائر القائمة على الأزواج والخسائر القائمة على البوابات، وتعمل على التغلب على قيود كلتا الفئتين. وبفضل استخدام البوابات، تُحسّن خسارةنا معدل التقارب، وتصبح مقاومة للعلامات الضوضائية والقيم الشاذة (Outliers). وفي الوقت نفسه، تسمح لمتجهات التضمين (Embedding Vectors) للبيانات بالتفاعل مع بعضها البعض من خلال المشتقات (Gradients) للاستفادة من العلاقات بين البيانات. وقد تم تقييم طريقةنا على أربع معايير عامة، حيث حقق شبكة قياسية مدرّبة باستخدام خسارتنا أداءً متفوقًا على الأفضل في المجال، مع أسرع معدل تقارب ممكن.