생체 인식 검증을 위한 딥러닝 (Deep learning) 접근 방식은 일반적으로 간접적인 목적 함수를 최적화함으로써 학습되며, 이는 최적화 과정과 주요 평가 지표인 등가 오류율 (Equal Error Rate, EER) 사이에 불일치를 발생시킵니다. 본 논문은 심층 생체 인식 모델 학습을 위해 EER을 미분 가능하고 임의의 정확도로 근사할 수 있는 EERLoss를 소개합니다. 나아가, 이 프레임워크는 DET 곡선 상의 특정 작동 지점 (operating point)을 최적화하도록 조정될 수 있는 잠재력을 가지고 있어 일반화 능력을 향상시킵니다. 이 접근 방식을 검증하기 위해, EERLoss를 특히 까다로운 행동 생체 인식 양식인 키스트로크 다이내믹스 (keystroke dynamics) 검증에 적용하여 평가합니다. 이 작업은 높은 클래스 내 변동성 (intra-class variability)과 낮은 클래스 간 변동성 (inter-class variability)을 특징으로 합니다. 실험은 다양한 시나리오에 걸쳐 185,000명 이상의 피험자 데이터를 포함하는 대규모 KVC-onGoing 벤치마크에서 수행되었습니다. 종합적인 어블레이션 연구 (ablation study)를 통해 초기 단계에서 기존의 최첨단 (state-of-the-art, SoTA) 손실 함수들과 비교하여 EERLoss의 우수성을 입증했습니다. 또한 다른 손실 함수들에 비해 실질적으로 더 빠르게 수렴하여 전체적인 학습 비용을 절감합니다. 추가적으로, 제안된 손실 함수와 KVC 우승 아키텍처를 EERLoss로 재학습하여 비교한 결과, 제안된 방식이 기존의 SoTA를 크게 능가하며 약 30%에 달하는 상대적 EER 감소를 달성함을 보여주었습니다. 이러한 도전적이고 대규모인 벤치마크에서의 개선은 고변동성 생체 특성에 특히 적합한 작업 정렬형 (task-aligned) 학습 목적 함수로서 EERLoss의 효과를 입증합니다.