자기지도 학습은 대규모 비라벨 데이터에 대해 효과적인 모델 사전학습을 가능하게 하며, 이는 모바일 센싱 응용에서 사용자별 미세조정을 위해 중요하다. 그러나 사전학습된 모델은 사용자 다양성으로 인해 미세조정 과정에서 상당한 도메인 변화(shift)에 직면하는 경우가 많아 성능 저하로 이어진다. 이를 해결하기 위해 본 연구는 서로 다른 도메인에 자기지도 모델을 정렬하도록 설계된 적응형 접근법 SelfReplay를 제안한다. SelfReplay는 두 단계로 구성된다. MetaSSL은 자기지도 학습과 메타러닝을 활용하여 도메인 적응 가중치를 사전학습하고, ReplaySSL은 메타-학습된 자기지도 과제를 소수의 사용자별 샘플로 재생(replay)하여 사전학습된 모델을 각 사용자의 도메인에 추가로 적응시킨다. 이를 통해 각 사용자에게 맞춤화된 개인화 모델이 생성된다. 모바일 센싱 벤치마크에 대한 평가 결과, SelfReplay는 기존 기준 방법보다 우수하며 평균적으로 F1-score를 9.4%p 향상시킨다. 또한 보급형 스마트폰에서의 온디바이스 분석은 SelfReplay의 적응 단계가 배치 후 한 번만 수행되면 되며, SimCLR은 10초 만에 완료하면서 100MB 미만의 메모리를 사용함을 보여준다.

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