Die Erkennung von Gesichtsausdrücken (Facial Expression Recognition, FER) unter Verwendung verrauschter Labels ist herausfordernder als traditionelle Aufgaben der Klassifikation mit verrauschten Labels, da aufgrund der hohen Ähnlichkeit zwischen Klassen und der Unsicherheit bei der Annotation besondere Schwierigkeiten bestehen. In jüngsten Arbeiten wird dieses Problem hauptsächlich dadurch angegangen, dass Proben mit hohem Verlust aus dem Trainingsprozess herausgefiltert werden. In diesem Paper untersuchen wir einen neuen Ansatz zur Bewältigung verrauschter Labels aus der Perspektive der Merkmalslernung. Wir stellen fest, dass FER-Modelle verrauschte Proben speichern, indem sie sich auf einen Teil der Merkmale konzentrieren, die mit den verrauschten Labels korrelieren, anstatt aus den gesamten Merkmalen zu lernen, die zur latenten Wahrheit führen. Darauf aufbauend entwickeln wir eine neuartige Methode namens Erasing Attention Consistency (EAC), die automatisch die Beeinflussung durch verrauschte Proben während des Trainings reduziert. Konkret nutzen wir zunächst die semantische Symmetrie von Gesichtsbildern, um ein unbalanciertes Lernframework zu entwerfen. Anschließend werden Eingabebilder zufällig maskiert, und mittels der Konsistenz der Flip-Attention wird verhindert, dass das Modell sich auf einen Teil der Merkmale konzentriert. EAC übertrifft signifikant die derzeit besten Methoden zur FER mit verrauschten Labels und zeigt eine gute Generalisierbarkeit auf andere Aufgaben mit einer großen Anzahl an Klassen, wie beispielsweise CIFAR100 und Tiny-ImageNet. Der Quellcode ist unter https://github.com/zyh-uaiaaaa/Erasing-Attention-Consistency verfügbar.