Softmax-basierte Lernmethoden haben hervorragende Leistungen bei großskaligen Gesichtserkennungsaufgaben gezeigt. In diesem Artikel entdecken wir ein wesentliches Problem von Softmax-basierten Ansätzen: Im Trainingsphase werden Stichprobenmerkmale, die sich in der Nähe des entsprechenden Klassen-Gewichts befinden, unabhängig von ihren Richtungen gleich stark bestraft. Diese Richtungsabweichung, d. h. die Prozessabweichung, führt zu einer Leistungseinbuße während der Evaluierungsphase. Um dieses Problem zu mildern, schlagen wir ein neuartiges Trainingsverfahren vor, das sogenannte Minimum-Discrepancy-Lernen, bei dem die Richtungen der intra-klassischen Stichprobenmerkmale durch Verwendung einer einzigen lernbaren Basis auf eine optimale Richtung ausgerichtet werden. Darüber hinaus ermöglicht die einzige lernbare Basis die Trennung sogenannter klasseninvarianter Vektoren aus den Stichprobenmerkmalen, sodass diese effektiv auch unter bedingten, klassenungleichen Datensätzen trainiert werden können.