多クラス分類モデルの実世界応用では、重要なクラス（一時停止標識など）の誤分類は、他のクラス（駐車禁止など）よりも著しく有害となりうる。そのためモデル全体の精度を維持しつつ、重要なクラスの再現率を向上させることが極めて重要である。交差エントロピー損失に対してクラスごとのペナルティを与える既存手法では、分離性を向上させることはできない。また全クラス間の分離性を改善する手法は、重要なクラスを考慮しないため我々の目的には適さない。そこで我々は特徴空間に対して重要クラスに関して明示的に損失を与える損失関数、クラス考慮型加法的角度マージン(CAMRI)損失を提案する．CAMRIは特徴空間上の重要クラスの特徴と対応する重みベクトルとの角度にペナルティを加えることにより、重要クラスの特徴の分散を小さくすることが期待される。また重要クラスのみにペナルティを集中させることで、他クラスの分離性を犠牲にしない。複数のデータセットに対する実験から、重要クラスの分離性を他クラスより改善するCAMRIが、精度を犠牲にせず特定クラスの再現率を向上させることができることが示され、最大で再現率を9%改善することができた。
