앙상블 방법은 여러 기계 학습 모델을 활용하여 구성 모델 단독보다 더 나은 예측 성능을 얻습니다. 대부분의 앙상블 방식에서 각 구성 모델은 학습 데이터와 출력 결과를 통해 통신하여 블랙박스로 간주됩니다. 블랙박스에 대한 이러한 고려는 앙상블 방법을 다양한 종류의 기계 학습 모델에 적용할 수 있게 합니다. 그러나 순환 네트워크 모델에 앙상블 방법을 적용할 때는 상황이 다릅니다. 순환 네트워크 모델에서 모델의 출력은 일반적으로 여러 레이블 중 하나가 아니라 일련의 출력입니다. 이는 다양성의 차수가 매우 높고, 전통적인 앙상블 방법으로 이루어진 합의가 충분히 신뢰할 수 없다는 것을 의미합니다.
본 논문에서는 높은 다양성을 가진 생성 모델의 특성을 고려한 Recurrent Ensemble, REGEN을 제안합니다. 생성 네트워크 아키텍처에서 각 중간 단계에서 출력이 생성되고 이 출력은 다음 단계에서 다음 출력에 반복적으로 영향을 미칩니다. 따라서 제안된 알고리즘에서는 매 중간 단계마다 합의를 하고 그 이후의 단계에 대해 모든 구성 모델에 반복적으로 합의를 제공한다. REGEN은 다양한 유형의 생성 네트워크 모델에 적용할 수 있습니다. 다양한 생성 네트워크 모델에 대한 실험적 평가를 통해 제안한 방법의 성능을 검증하고 새로운 순환 앙상블이 단일 구성 모델뿐만 아니라 기존 앙상블보다 성능이 우수함을 보여줍니다.