Softmaxに基づく学習手法は、大規模な顔認識タスクにおいて最先端の性能を示している。本論文では、Softmaxに基づくアプローチに重要な問題点を発見した。すなわち、訓練段階において、対応するクラス重みの周囲にあるサンプル特徴量は、方向が互いに異なるにもかかわらず、同様にペナルティが課されることである。この方向の不一致、すなわちプロセスの不一致が、評価段階での性能低下を引き起こす。この問題を緩和するために、本研究では新たな訓練スキームである「最小不一致学習（minimum discrepancy learning）」を提案する。この手法は、1つの学習可能な基底ベクトルを用いて、クラス内サンプル特徴量の方向を最適な方向に一致させることを強制する。さらに、この単一の学習可能な基底は、サンプル特徴量から所謂「クラス不変ベクトル（class-invariant vectors）」を分離しやすくする。その結果、クラス不均衡なデータセット下でも効果的に学習が可能となる。