平均精度（Average Precision, AP）のようなランキングベースの指標を最適化することは、その非微分可能性のために非常に困難であり、従って勾配降下法を直接使用して最適化することはできません。この問題に対処するため、APの滑らかな近似値であるSmooth-APを最適化する目的関数を提案します。Smooth-APは、プラグアンドプレイ型の目的関数で、単純かつ優雅な実装により深層ネットワークのエンドツーエンド学習が可能となります。また、APのランキングベース指標を直接最適化することが他の深層計量学習損失関数よりも優れている理由についても分析を行います。Smooth-APをスタンフォードオンライン製品データセットとVehicleIDなどの標準的な検索ベンチマークに適用し、さらに大規模データセットであるINaturalist（細かいカテゴリ検索）、VGGFace2およびIJB-C（顔検索）でも評価しました。すべての場合において、特に大規模データセットで最先端の性能を超える結果を得ており、Smooth-APが実世界シナリオにおける効果性とスケーラビリティを示しています。