기존의 웨어러블 센싱 모델은 종종 도메인 이동(domain shift)과 클래스 레이블의 부족 문제에 어려움을 겪는다. 대조학습(contrastive learning)은 클래스 레이블 부족을 해결하기 위한 유망한 기법이지만, 도메인 관련 특성을 포착하는 경향이 있고 품질이 낮은 음성(negative) 샘플로 인해 성능이 저하될 수 있다. 두 문제를 모두 해결하기 위해, 본 연구는 도메인 이동과 클래스 레이블 부족이 동시에 나타나는 현실적인 웨어러블 센싱 시나리오를 위한 도메인 불변(domain-invariant) 대조학습 체계 ContrastSense를 제안한다. 도메인 불변 정보를 포착하기 위해 ContrastSense는 비라벨(unlabeled) 데이터와 사용자 ID 또는 기기를 지정하는 도메인 레이블을 활용하여 도메인 간 불일치(discrepancy)를 최소화한다. 음성 샘플의 품질을 개선하기 위해 시간(time)과 도메인 레이블을 활용하여 샘플을 선택하고 음성을 정제한다. 또한 ContrastSense는 미세조정(fine-tuning) 동안 도메인 불변 지식을 보존하기 위한 매개변수 단위의 패널티를 설계하여 모델의 견고성(robustness)을 더욱 유지한다. 광범위한 실험 결과, ContrastSense는 사용자 간에 도메인 이동이 제시된 인간 활동 인식(human activity recognition)에서 관성측정장치(inertial measurement units) 기반으로 기존 최첨단 기선 대비 8.9% 향상되었고, 근전도(electromyography) 기반 제스처 인식(gesture recognition)에서는 5.6% 향상되었다. 더 나아가, 기기, 착용 부위(on-body position), 데이터셋에 걸쳐 서로 다른 종류의 도메인 이동이 제시된 경우에도 ContrastSense는 최상의 기선 대비 일관된 개선을 달성하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.