В данной статье представлена EERLoss, субдифференцируемое приближение к равной ошибке (EER), предназначенное для согласования процесса обучения глубоких биометрических моделей с основными метриками оценки. Подтверждено на задаче верификации по динамике набора текста с использованием бенчмарка KVC-onGoing; подход решает проблему несоответствия между целями оптимизации и оценкой производительности.
- Оценено на крупномасштабном бенчмарке KVC-onGoing с данными более чем от 185 000 субъектов.
- Демонстрирует превосходство над существующими передовыми функциями потерь благодаря всесторонним исследованиям абляции.
- Сходится значительно быстрее других функций потерь, снижая общие затраты на обучение.
- Достигает относительного снижения EER примерно на 30% при применении к архитектуре-победителю KVC.
Результаты подтверждают эффективность EERLoss как согласованной с задачей цели обучения, специально подходящей для биометрических признаков с высокой дисперсией, таких как динамика набора текста.