顔認識（Face Recognition: FR）の目的は、正例ペア間の類似度集合 $\mathcal{S}^p$Sp を最大化し、負例ペア間の類似度集合 $\mathcal{S}^n$Sn を最小化するというペア類似度最適化問題と捉えることができます。理想的には、FRモデルが $\inf{\mathcal{S}^p} > \sup{\mathcal{S}^n}$infSp>supSn という条件を満たす良好な識別特徴空間（Well-Discriminative Feature Space: WDFS）を形成することが期待されます。WDFSに関して、既存の深層学習特徴量学習パラダイム（すなわち、計量損失関数と分類損失関数）は異なるペア生成戦略（Pair Generation: PG）から統一的な視点で表現することができます。しかしながら、計量損失関数（Metric Loss: ML）では、各イテレーションにおいてすべてのクラスを考慮した負例ペアの生成がミニバッチサイズの制限により不可能です。一方、分類損失関数（Classification Loss: CL）では、クラス重みベクトルがその中心に収束することから極めて難しい負例ペアの生成が困難です。これにより、サンプリングされたペアとすべての負例ペアとの間で類似度分布に不一致が生じます。そこで本論文では、この不一致を緩和するためにMLPGとCLPGという2つのPG戦略から統一的な視点で統合的な負例ペア生成方法（Unified Negative Pair Generation: UNPG）を提案します。UNPGはMLPGを使用して負例ペアに関する有用な情報を導入することでCLPGの欠点を克服します。さらに、ノイジーな負例ペアの類似度をフィルタリングすることで信頼性のある収束と性能向上を保証しています。実験結果は、公開ベンチマークデータセット上で最近の損失関数に対して最先端の性能を達成していることを示し、UNPGの優位性を確認しています。当該コードおよび事前学習済みモデルは公開されています。