스마트폰과 웨어러블 기기에서 발생하는 일일 알림의 수가 증가함에 따라 정신적 부담이 커지고 생산성이 저하되며 에너지 낭비가 발생한다. 이러한 현상은 스마트폰, 스마트워치, AirPods, 태블릿과 같은 개인용 모바일 기기들을 점점 더 많이 착용하고 사용하는 신종 사용 사례가 등장하면서 더욱 악화된다. 모든 기기에서 동시에 중복 알림이 생성될 수 있기 때문이다. 따라서 주의 분산뿐 아니라 여러 기기에서 동시에 유발된 중복 알림은 에너지 낭비를 초래한다. 선행 연구에서는 개인화된 모델에 기반하여 알림의 발생을 자동으로 조작하는 알림 관리 시스템 PASS를 제안하였다. 그러나 선행 연구는 시간이 지남에 따른 사용자 행태 변화에 대해 조사하지 않았기 때문에, 기계학습 기반 모델은 새로 유입되는 알림에 대해 성능이 좋지 않다. 모델이 장기간 사용될 때 모델링과 실제 배치 간의 격차를 줄이기 위해, 우리는 장기간 동안 데이터 수집을 수행한 종단 연구를 실시하였다. 우리는 추가로 11,258개의 알림을 수집하였고, 원래의 데이터셋을 포함하여 총 18,407개의 알림을 분석하였다. 본 연구의 전체 기간은 2년이다. 통계적 검정을 통해, 학습에 충분히 활용할 수 있는 시간 불변(time-invariant) 특성을 확인하였다. 새롭게 발생하는 데이터로 인해 발생하는 정확도 저하를 극복하기 위해, 우리는 창(window) 기반 시간 불변 온라인 학습(WTOL)을 설계하였다. 새롭게 수집된 데이터셋에서 WTOL은 시간 민감도에 따라 온라인 학습과 윈도잉 특성을 결합함으로써, 배치 학습에 기반한 기존 모델의 F-score를 44.3%에서 69.0%로 향상시킨다.

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