도메인 적응형 온디바이스 모바일·웨어러블 센싱 모델 연구

Domain-Adaptive On-Device Mobile/Wearable Sensing Models

연구 내용

도메인 이동과 라벨 희소 환경에서 자기지도·대조학습·연합학습으로 센싱 모델 성능을 안정화하는 연구

모바일과 웨어러블 센싱에서는 사용자·기기·환경 변화로 인해 도메인 이동이 발생하며, 라벨 확보가 제한적입니다. 본 연구는 도메인 불변 표현을 학습하기 위해 대조학습에서 부정 샘플 품질을 시간·도메인 정보로 보정하고, 파인튜닝 중 도메인 불변 지식을 보존하는 패널티를 적용합니다. 또한 라벨이 없는 타깃에서 성능을 상호정보 기반으로 추정하여 검증 비용을 줄입니다. 나아가 불완전 모달리티 연합학습에서 모달리티 품질을 반영한 집계를 수행하고, 시각 지식 전이를 이용해 IMU 태스크의 사전학습을 보강하며, 메타 태스크 리플레이로 사용자별 적응을 효율화합니다.

관련 프로젝트

2건

연구 흐름

초기에는 사용자·디바이스 간 분포 차이로 성능이 흔들리는 문제를 도메인 이동 관점에서 정의하고, 자기지도·대조학습 기반 표현학습으로 불변성을 확보하는 방향으로 연구를 진행했습니다. 이후 라벨이 부족한 타깃 환경에서도 적응 성능을 추정하는 방법을 도입하여, 실제 배치 전에 모델 신뢰도를 판단할 수 있게 했습니다. 다음 단계에서는 불완전 모달리티를 전제로 연합학습을 설계하여 통신·계산 효율을 유지하면서도 정확도를 보강했습니다. 이후에는 대규모 비전 사전학습 지식을 IMU에 전이하고, 사용자별 미세적응을 위한 메타태스크 리플레이를 구성해 온디바이스 적응 절차를 단순화하는 흐름으로 확장했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

사용자 강건 활동 인식
웨어러블 제스처 인식
라벨 비용 절감 센싱 파이프라인
불완전 모달리티 연합학습
온디바이스 성능 추정 모듈
메모리/연산 효율 개인화
의료·헬스케어 모니터링
사용자 전이 학습 전략
센서 데이터 기반 사전학습
도메인 이동 대응 자동화