정규화된 각도 비교
특징 벡터와 범주별 가중치 벡터를 정규화하면 내적이 두 벡터의 각도에 대한 코사인이 된다. 각 범주와의 각도 관계로 분류 점수를 구성하고 공통 배율 s를 적용한다. 특징 크기를 키우는 것만으로 정답 점수를 높이는 경로를 줄이는 구성이다.
정답 각도에 여유 주기
정답 범주의 코사인 점수를 cos(θ정답+m)로 바꾸고 다른 범주의 점수는 기존 코사인으로 둔다. 예를 들어 θ=30도, m=15도라면 정답의 코사인 값은 약 0.866에서 약 0.707로 낮아진다. 이 값은 계산 예이며 실제 구현에서 각도 매개변수의 단위를 확인해야 한다.
학습과 비교의 차이
여유 간격을 더한 점수는 정답 레이블을 아는 학습 단계에서 사용한다. 임베딩을 추출해 두 얼굴을 비교할 때 정답 범주를 이미 알고 같은 수정식을 적용해야 하는 것은 아니다. 학습용 분류 가중치와 후속 거리 비교를 구분한다.
설정과 자료의 영향
여유 간격과 배율을 바꾸면 최적화의 난이도와 점수 분포도 바뀐다. 큰 여유 간격이 모든 자료에서 더 좋은 결과를 보장하지 않으며 잘못된 신원 레이블도 학습 목표를 왜곡한다. 평가 자료에 맞춘 임계값과 범주 밖 표본에 대한 성능을 함께 확인한다.