초록
앙상블 방법은 전통적으로 독립적으로 훈련된 상관관계가 낮은 모델들을 기반으로 구성되며, 잔여 일반화 오차를 줄이는 데 효과적임이 입증되어 실제 응용 분야에서 강건하고 정확한 방법으로 활용되고 있다. 그러나 딥러닝의 맥락에서 깊은 신경망의 앙상블을 훈련하는 것은 비용이 크며, 높은 수준의 중복을 초래하여 효율성이 떨어진다. 본 논문에서는 합성곱 신경망을 기반으로 한 공유 표현을 갖는 앙상블(Ensembles with Shared Representations, ESRs)에 대한 실험을 수행하여, 얼굴 표정 대규모 데이터셋에 대한 데이터 처리 효율성과 확장 가능성을 정량적·정성적으로 입증한다. 우리는 ESR의 분기 수준을 조절함으로써 중복성과 계산 부담을 크게 줄일 수 있음을 보여주며, 이 과정에서 다양성과 일반화 능력의 손실 없이도 성능을 유지할 수 있음을 확인한다. 이는 앙상블 성능에 있어 중요한 요소들이다. 대규모 데이터셋에 대한 실험 결과, ESR은 AffectNet과 FER+ 데이터셋에서 잔여 일반화 오차를 감소시키며, 인간 수준의 성능을 달성하고, 감정 및 감정 상태 개념을 활용한 자연 환경에서의 얼굴 표정 인식 분야에서 최신 기술들을 능가함을 보였다.