深層畳み込みニューラルネットワーク（CNN）の進歩により、顔認識は著しい進展を遂げています。その中心的な課題は特徴量の識別性です。この課題に対処するために、一グループは情報量の多い例に焦点を当てるための採掘ベース戦略（例えば、ハードサンプル採掘とフォーカルロス）を活用しようと試みています。もう一グループは、真値クラスの観点から特徴量間のマージンを増加させるためのマージンベース損失関数（例えば、角度マージン、追加マージン、追加角度マージン）の設計に尽力しています。これらの方法はいずれも識別的な特徴量学習において効果が確認されていますが、ハードサンプルの曖昧さや他のクラスの識別力不足という問題を抱えています。本論文では、新しい損失関数であるサポートベクター誘導ソフトマックス損失（SV-Softmax）を設計しました。この損失関数は誤分類された点（サポートベクター）に適応的に重点を置き、識別的な特徴量学習をガイドします。これにより開発されたSV-Softmax損失関数は、ハードサンプルの曖昧さを解消するとともに、他のクラスからの識別力を吸収し、より識別的な特徴量を得ることができます。我々が知る限りでは、これは初めて採掘ベースとマージンベースの損失関数の利点を一つのフレームワークに統合した試みです。いくつかのベンチマークでの実験結果により、我々の手法が最先端技術に対して有効であることが示されました。以上が翻訳となります。