본 논문은 더 큰 교사 모델로부터 경량 학생 모델로 특징 표현을 이전하는 방법을 제안합니다. 이를 위해, "지각 일관성"이라는 새로운 개념을 수학적으로 정의하고, 데이터 포인트 간의 차이점을 순위를 통해 고려하는 손실 함수를 제안합니다. 이 손실 함수를 최소화함으로써, 학생 모델은 교사 모델이 입력을 "인식"하는 방식을 모방하도록 학습합니다. 특히, 학생 모델의 표현 능력은 교사 모델보다 약하므로, 절대적인 기하학적 구조를 보존하는 대신, 차이점 순위를 통해 전반적인 일관성을 유지하도록 합니다. 이 "지각 일관성"은 유한 집합에 정의된 순위를 확률적 형태로 확장하며, 입력 분포에 의존하고 일반적인 차이점 측정법에 적용됩니다. 제안된 방법은 표현 전달을 위한 강력한 기준선 방법보다 우수하거나 동등한 성능을 보였습니다.
