다수의 응용은 모바일 기기와 머신러닝에서 센서를 활용하여 새로운 서비스를 제공한다. 그러나 서로 다른 사용자, 기기, 환경과 같은 다양한 요인들이 이러한 응용의 성능에 영향을 미치므로, 도메인 시프트(즉, 훈련 도메인과 대상 도메인 간의 분포적 변화)는 모바일 센싱에서 핵심적인 문제이다. 이 어려운 문제를 해결하기 위해 도메인 적응(domain adaptation)에 대한 시도들이 있었음에도 불구하고, 다양한 요인들 사이의 복잡한 상호작용으로 인해 그 성능은 신뢰할 수 없게 된다. 원칙적으로는 성능의 불확실성을 식별하고 성능 검증을 통해(정답 라벨에 기반하여) 이를 개선할 수 있다. 그러나 모든 사용자가 고품질의 충분한 라벨 데이터를 수집하는 것은 불가능하다. 이 문제를 해결하기 위해, 우리는 라벨이 없는 대상 데이터만으로 대상 도메인에서의 적응 성능을 추정하는 DAPPER(Domain AdaPtation Performance EstimatoR)를 제시한다. 우리의 핵심 아이디어는 모델 입력과 이에 대응하는 출력 간의 상호정보(mutual information)를 바탕으로 모델 성능을 근사하는 것이다. 네 개의 실제 센싱 데이터셋에 대해 여섯 가지 기준모델과 비교한 평가 결과, 평균적으로 DAPPER는 추정 정확도에서 최신 기술 수준의 기준모델보다 39.8% 더 우수함을 보였다. 또한 기기 온디바이스(on-device) 실험에서는 DAPPER가 기준모델들과 비교하여 최대 396배까지 계산 오버헤드를 감소시킴을 확인하였다.

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