Les méthodes d’apprentissage basées sur la fonction softmax ont démontré des performances de pointe sur des tâches de reconnaissance faciale à grande échelle. Dans cet article, nous mettons en évidence un problème important des approches fondées sur la softmax : au cours de l’entraînement, les caractéristiques des échantillons situés autour du poids de la classe correspondante subissent une pénalisation similaire, même si leurs directions sont différentes. Ce désaccord directionnel, que nous désignons sous le terme de « désaccord de traitement », entraîne une dégradation des performances lors de l’évaluation. Pour atténuer ce problème, nous proposons un nouveau schéma d’entraînement, appelé apprentissage par désaccord minimal, qui impose aux directions des caractéristiques intra-classe de s’aligner vers une direction optimale en utilisant une seule base apprenable. En outre, cette base apprenable unique permet de séparer les vecteurs dits « invariants par rapport à la classe » des caractéristiques des échantillons, les rendant ainsi plus efficaces pour l’entraînement sur des jeux de données déséquilibrés par rapport aux classes.