호흡음 데이터셋의 크기와 품질의 한계로 인해 고성능 달성이 어렵다. 앙상블 모델은 성능 향상에 도움이 되지만 추론 시간의 계산 비용이 증가한다. 소프트 라벨 학습은 학습 시에만 추가 비용이 발생하면서 효율적으로 지식을 증류한다. 본 연구에서는 호흡음 분류를 위한 아키텍처에 독립적인 접근 방식으로, 앙상블 교사 모델을 학생 모델로 증류하기 위해 소프트 라벨을 활용한다. 다양한 방법을 검토한 결과, 학생 모델과 동일한 단일 교사 모델조차도 성능을 크게 향상시키며, 소수의 교사 모델을 사용하는 것이 최적의 성능 향상을 가져온다는 것을 발견했다. ICHBI 데이터셋에서 64.39점의 새로운 최고 성능을 달성하여 이전 최고 성능보다 0.85점 향상되었고, 다양한 아키텍처에서 평균 점수를 1.16점 이상 향상시켰다. 본 연구 결과는 데이터셋의 크기나 아키텍처에 관계없이 소프트 라벨을 이용한 지식 증류의 효과를 강조한다.
