في مجال تمييز التعبيرات الوجهية (FER)، تُثير الشكوك الناتجة عن الضوضاء المتأصلة، مثل التعبيرات الوجهية الغامضة والعلامات غير المتسقة، مخاوف بشأن مصداقية نتائج التمييز. ولقياس هذه الشكوك وتحقيق أداء جيد في ظل بيانات مشوّشة، ننظر إلى المفهوم غير المؤكد على أنه مفهوم نسبي، ونُقدّم طريقة تعلّم مبتكرة تُسمى "تعلم عدم اليقين النسبي" (RUL). بدلًا من افتراض توزيعات غير مؤكدة من نوع غاوسي لجميع المجموعات، يُبنى في RUL فرع إضافي لتعلم عدم اليقين من خلال صعوبة العينات النسبية باستخدام تقنية مزج الميزات (feature mixup). بشكل محدد، نستخدم القيم غير المؤكدة كأوزان لدمج ميزات الوجه، ونُصمم خسارة جمعية (add-up loss) لتحفيز تعلّم عدم اليقين. هذه الطريقة سهلة التنفيذ، ولا تضيف سوى تكلفة حسابية ضئيلة أو لا تضيفها على الإطلاق. أظهرت التجارب الواسعة أن RUL تتفوّق على أحدث الأساليب في تعلم عدم اليقين في FER، سواء على مجموعات بيانات حقيقية أو مُصطنعة مشوّشة. علاوة على ذلك، تُظهر RUL أداءً جيدًا أيضًا على مجموعات بيانات أخرى مثل CIFAR وTiny ImageNet. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/zyh-uaiaaaa/Relative-Uncertainty-Learning.