أظهرت أساليب التعلم القائمة على Softmax أداءً متميزًا على مهام التعرف على الوجه على نطاق واسع. في هذه الورقة، نكشف عن مسألة مهمة تتعلق بالأساليب القائمة على Softmax: حيث يتم معاقبة خصائص العينات القريبة من الوزن المقابل للصورة الفئة خلال مرحلة التدريب، حتى وإن كانت اتجاهاتها مختلفة عن بعضها البعض. يؤدي هذا الفرق في الاتجاه، المعروف بـ "الانحراف في العملية"، إلى تدهور الأداء في مرحلة التقييم. لمعالجة هذه المشكلة، نقترح خطة تدريب جديدة تُسمى التعلم بحد أدنى من الانحراف (Minimum Discrepancy Learning)، والتي تُجبر اتجاهات خصائص العينات داخل الفئة على التماسك نحو اتجاه مثالي باستخدام أساس قابل للتعلم واحد. علاوة على ذلك، يُسهّل هذا الأساس القابل للتعلم فصل ما يُعرف بـ "المتجهات الثابتة بالنسبة للفئة" (class-invariant vectors) من خصائص العينات، مما يجعلها فعالة في التدريب على مجموعات بيانات غير متوازنة من حيث الفئات.