본 연구에서는 정규화되고 잘 구조화된 표현(representation) 학습을 목표로 하는 손실 함수 CoCo를 소개합니다. 제안하는 손실은 클래스 내부의 붕괴(intra-class collapse)와 클래스 간의 대비(inter-class contrast)를 장려하는 동시에, 신경망이 클래스 간에 큰 각도 분리(angular separation)를 가지는 기하학적으로 최적인 임베딩을 근사할 수 있는 충분한 유연성을 보존합니다. 우리는 CoCo가 점 회귀(dot regression)나 교차 엔트로피(cross-entropy)와 같은 관련 목적 함수들과 비교하여 이론적 분석을 제공하며, 이 새로운 제안된 손실이 최적 구성에 더 가까운 초기화, 더 정보력이 풍부한 기울기(gradient), 그리고 클래스별 표현 붕괴를 위한 더 강력한 인센티브로부터 이점을 얻는다는 것을 보여줍니다. OpenML-CC18 벤치마크의 다양한 테이블형 데이터셋에 대한 광범위한 실험을 통해 CoCo가 커널 SVM, 랜덤 포레스트(Random Forest), 점 회귀, 그리고 교차 엔트로피 기반 신경망을 포함하는 최신 기술 방법론들과 경쟁력 있는 성능을 달성함을 보여줍니다. 또한, 이론적 논증과 경험적 분석 모두 제안된 방식이 더 타이트한 클래스 클러스터링과 빠른 수렴을 촉진한다는 것을 입증합니다. 이러한 결과들은 CoCo 손실이 경쟁력 있는 예측 성능을 유지하면서 판별적인 표현 학습을 위한 효과적인 목적 함수임을 강조합니다.