最近、深層学習を基盤とする顔のランドマーク検出において著しい進歩が見られています。しかし、意味的曖昧性の問題により検出性能が低下しています。具体的には、意味的曖昧性は一貫性のないアノテーションを引き起こし、モデルの収束に悪影響を与え、精度の低下と予測の不安定さにつながります。この問題を解決するために、我々は意味的曖昧性の特性を利用した自己適応的な曖昧性低減（Self-adapTive Ambiguity Reduction: STAR）損失関数を提案します。我々は、意味的曖昧性が予測分布の一様でない特性（anisotropic predicted distribution）をもたらすことを発見しました。これに基づいて、予測分布の一様でない特性（anisotropism）を測定するSTAR損失関数を設計しました。標準的な回帰損失関数と比較して、予測分布が一様でない場合にSTAR損失関数が小さくなるように設計されており、これにより意味的曖昧性の影響を適応的に軽減します。さらに、我々は分布の異常な変化とモデルの早期収束を避けるための2種類の固有値制約方法も提案します。最終的に、包括的な実験結果からSTAR損失関数がCOFW、300W、およびWFLWという3つのベンチマークデータセットにおいて最先端手法を超える性能を示していることが確認されました。計算コストはほとんど増加せずです。コードは https://github.com/ZhenglinZhou/STAR で公開されています。