ディープメトリック学習（Deep Metric Learning: DML）は、埋め込み空間内の距離として意味的類似性を表現するメトリック空間を学習することを目的としている。このような空間は、訓練時に観測されたクラス以外のクラスに対しても転移可能であるべきである。一般的に、DML手法はネットワークに二値クラス割り当てに基づく対照的ランク付けタスクを課す。しかし、こうしたアプローチは実際のクラス間における高次の意味的関係を無視しており、学習された埋め込み空間に不完全な意味的文脈が反映され、クラス間の意味的関係が正しく表現されないという問題を引き起こす。その結果、学習されたメトリック空間の一般化性能が損なわれる。この問題に対処するため、本研究では視覚的類似性学習に向けた言語ガイドライン目的（language guidance objective）を提案する。専門家によるクラス名および擬似クラス名の言語埋め込みを活用することで、意味的に意味のある言語的意味論に対応する視覚表現空間を文脈化し、再配置することにより、より高い意味的整合性を実現する。広範な実験およびアブレーションにより、本手法の有効性が強く示され、言語ガイドラインがDMLにおいてモデルに依存しない顕著な性能向上をもたらすことが明らかになった。また、すべてのベンチマークにおいて競争力ある、さらには最先端の結果を達成した。コードは以下のURLで公開されている：https://github.com/ExplainableML/LanguageGuidance_for_DML。