要約
顔面表情認識（FER）において、曖昧な表情やラベルの不一致といった固有のノイズが引き起こす不確実性は、認識結果の信頼性に懸念を呈する要因となっている。本研究では、こうした不確実性を定量化し、ノイズを含むデータ下でも良好な性能を達成するため、不確実性を相対的概念として捉え、新たな不確実性学習手法である「相対的不確実性学習（Relative Uncertainty Learning, RUL）」を提案する。すべてのデータセットに対してガウス分布を仮定する従来のアプローチとは異なり、RULは特徴量のミックスアップを通じてサンプル間の相対的な難易度から不確実性を学習する追加ブランチを構築する。具体的には、不確実性を重みとして顔面特徴を混合し、不確実性の学習を促進する加算損失（add-up loss）を設計している。この手法は実装が容易であり、追加の計算負荷をほとんどまたは全く増加させない。広範な実験により、RULは実世界データセットおよび合成ノイズを含むFERデータセットにおいて、最先端のFER不確実性学習手法を上回る性能を示した。さらに、CIFARやTiny ImageNetといった他のデータセットに対しても優れた性能を発揮することが確認された。実装コードは以下のURLで公開されている：https://github.com/zyh-uaiaaaa/Relative-Uncertainty-Learning。