얼굴 표정 인식(Facial Expression Recognition, FER) 분야에서 모호한 얼굴 표정이나 일관성 없는 레이블과 같은 내재적 노이즈로 인해 발생하는 불확실성은 인식 결과의 신뢰성에 대한 우려를 낳고 있다. 이러한 불확실성을 정량화하고 노이즈가 있는 데이터 하에서 우수한 성능을 달성하기 위해, 우리는 불확실성을 상대적인 개념으로 간주하고, 새로운 불확실성 학습 방법인 상대적 불확실성 학습(Relative Uncertainty Learning, RUL)을 제안한다. 모든 데이터셋에 대해 가우시안 불확실성 분포를 가정하는 기존 접근 방식과 달리, RUL은 특징 믹스업(Feature Mixup)을 통해 샘플들의 상대적 어려움을 기반으로 불확실성을 학습할 수 있는 추가 브랜치를 설계한다. 구체적으로, 불확실성을 가중치로 사용하여 얼굴 특징을 혼합하고, 불확실성 학습을 유도하는 추가 손실 함수(add-up loss)를 설계하였다. 이 방법은 구현이 간단하며, 추가적인 계산 부담이 거의 없거나 전혀 없이 적용 가능하다. 광범위한 실험을 통해 RUL은 실제 세계 및 합성 노이즈가 포함된 FER 데이터셋 모두에서 최신의 FER 불확실성 학습 방법들을 능가함을 확인하였다. 또한, RUL은 CIFAR 및 Tiny ImageNet과 같은 다른 데이터셋에서도 우수한 성능을 보였다. 코드는 다음 주소에서 공개되어 있다: https://github.com/zyh-uaiaaaa/Relative-Uncertainty-Learning.