특징 크기에서 방향으로
특징과 분류 가중치를 L2 정규화해 방향 관계로 점수를 만든다. 정답 범주의 코사인 값에서 m을 뺀 뒤 공통 배율 s를 적용하고 소프트맥스 분류 손실을 계산한다. 정답 범주의 점수를 낮춰도 올바르게 분류하도록 학습해 더 큰 구별 여유를 요구한다.
점수 차이의 예
정답 코사인 값이 0.8, 경쟁 범주가 0.65이고 m=0.2라면 수정된 정답 값은 0.6이다. 원래 점수는 정답이 더 높지만 수정 후에는 경쟁 범주보다 낮다. 따라서 학습은 정답 방향과 더 가까워지거나 경쟁 방향과 더 멀어지도록 압력을 받는다.
각도 여유와 구분
코사인 값에서 m을 빼는 것과 각도에 m을 더한 뒤 코사인을 계산하는 것은 서로 다른 식이다. 예를 들어 cos60도−0.1은 0.4지만 cos(60도+0.1도)는 약 0.4985다. 두 매개변수의 단위와 기하학적 의미가 달라 같은 숫자를 직접 비교하지 않는다.
임베딩의 활용
학습 후 얼굴 특징을 추출해 코사인 유사도로 검증이나 인식에 사용할 수 있다. 학습용 정답 범주 점수의 수정과 실제 두 임베딩의 비교는 다른 단계다. 레이블 품질과 자료 분포가 결과에 영향을 주므로 점수 하나를 신원에 대한 무조건적인 확정으로 취급하지 않는다.