في الآونة الأخيرة، حققت تقنيات الكشف عن معالم الوجه المستندة إلى التعلم العميق تحسينات كبيرة. ومع ذلك، فإن مشكلة الغموض الدلالي تقلل من أداء الكشف. بشكل خاص، يؤدي الغموض الدلالي إلى عدم اتساق في التسمية ويؤثر سلبًا على تقارب النموذج، مما ينتج عنه دقة أقل وتوقعات غير مستقرة. لحل هذه المشكلة، نقترح دالة خسارة ذاتية التكيف لتقليل الغموض الدلالي (STAR) من خلال استغلال خصائص الغموض الدلالي. لقد وجدنا أن الغموض الدلالي يؤدي إلى توزيع متوقع متجانس، مما ألهمّنا استخدام التوزيع المتوقع لتمثيل الغموض الدلالي. بناءً على هذا، صممنا دالة الخسارة STAR التي تقيس عدم التجانس في التوزيع المتوقع. بالمقارنة مع دالة الخسارة الانحدارية القياسية، يتم تشجيع دالة الخسارة STAR على أن تكون صغيرة عندما يكون التوزيع المتوقع متجانسًا، وبالتالي تعمل على تخفيف تأثير الغموض الدلالي بشكل ذاتي. بالإضافة إلى ذلك، نقترح نوعين من طرق قيود القيم الذاتية التي يمكن أن تتجنب كلًا من التغييرات الشاذة في التوزيع والتقارب المبكر للنموذج. وأخيرًا، أظهرت التجارب الشاملة أن دالة الخسارة STAR تتفوق على أفضل الأساليب الحالية في ثلاثة مقاييس هي COFW و300W وWFLW (مع حمل حسابي قليل). الرمز البرمجي متاح على الرابط https://github.com/ZhenglinZhou/STAR.