لقد لاقت التعلم القياسي العميق اهتمامًا كبيرًا في السنوات الأخيرة بفضل تطبيقاتها الواسعة، مثل التجميع واسترجاع الصور. وبفضل النجاح الذي حققته التعلم العميق (DL)، تم اقتراح العديد من طرق التعلم القياسي العميق (DML). تستخدم الشبكات العصبية (NNs) دوال خسارة التعلم القياسي العميق لتعلم دالة تطابق تُحول العينات إلى فضاء مميز منخفض الأبعاد، مما يسهل قياس التشابه بين أزواج من العينات ضمن هذا المانيفولد. غالبًا ما تحاول الطرق الحالية تعزيز القدرة التمييزية للشبكة العصبية من خلال تحسين التجميع الداخلي للطبقات في الفضاء المميز العالي المستوى. ومع ذلك، فإنها لا تفرض قيودًا صريحة لتحسين الفصل بين الطبقات المختلفة. نقترح في هذا البحث دالة خسارة مركبة جديدة للتعلم القياسي العميق، والتي، بجانب التجميع الداخلي للطبقات، تُطبّق قيودًا صريحة لتعزيز أفضل فصل بين الطبقات من خلال توزيع مركزيات الطبقات بشكل متساوٍ متبادلًا. أظهرت دالة الخسارة المقترحة نتائج من الدرجة الأولى في مهام التجميع واسترجاع الصور على مجموعتين حقيقيتين من البيانات.