顔認識分野における新興トピックとして、マージンに基づく損失関数の設計は、異なるクラス間の特徴マージンを拡大し、識別能を向上させる効果がある。近年では、誤分類されたサンプルに注目する「マイニングベースの戦略」が導入され、有望な成果が得られている。しかし、従来の手法は、訓練全体を通じてサンプルの重要性を明示的に考慮していないため、困難なサンプルが十分に活用されない場合がある。あるいは、初期訓練段階から準困難／困難サンプルの影響を過度に強調しすぎることで、収束の問題を引き起こす可能性がある。本研究では、カリキュラム学習の思想を損失関数に組み込み、深層顔認識のための新たな訓練戦略を実現する、新しい適応的カリキュラム学習損失（CurricularFace）を提案する。この手法は、初期段階では容易なサンプルに焦点を当て、後期段階では困難なサンプルに重点を置く特徴を持つ。具体的には、CurricularFaceは、訓練の各段階において、容易さと困難さに応じてサンプルの相対的な重要性を動的に調整する。各段階において、サンプルの難易度に応じて異なる重みが割り当てられる。代表的なベンチマークデータセットにおける広範な実験結果から、本手法が最先端の競合手法を上回る優れた性能を発揮することが明らかになった。