자동증강 기반 대비학습을 활용한 웨어러블 인간활동인식 혁신

초록

본 논문은 웨어러블 센서 데이터의 저차원 특성을 고려해, 데이터 증강을 자동으로 학습하는 대비학습 프레임워크 AutoCL을 제안한다. Siamese 구조에 생성기를 삽입해 특징 임베딩을 기반으로 증강 샘플을 생성하고, 정지‑그래디언트와 상관 감소 전략을 도입해 표현 학습을 강화한다. 네 개의 공개 HAR 데이터셋에서 기존 SOTA 대비 정확도가 크게 향상됨을 실험적으로 입증한다.

상세 분석

AutoCL은 저차원, 저시멘틱 센서 신호에서 기존 대비학습이 의존하는 수동 데이터 증강의 한계를 극복하고자 설계되었다. 핵심 아이디어는 두 가지이다. 첫째, Siamese 네트워크의 백본(Encoder + Projector)과 파라미터를 공유하면서, 백본에서 추출한 특징 임베딩을 입력으로 하는 생성기(Generator)를 삽입해 자동으로 증강된 샘플을 만든다. 이는 원시 시계열에 직접 증강 연산을 적용할 경우 발생하는 노이즈와 중복 정보의 영향을 최소화한다는 점에서 의미가 크다. 생성기는 3‑layer BiGRU와 그룹 컨볼루션을 통해 시계열 차원을 복원하고, 최종적으로 원본과 동일한 채널 수를 갖는 증강 샘플을 출력한다.

둘째, 학습 안정성을 위해 두 가지 보조 메커니즘을 도입한다. (1) Stop‑Gradient 설계는 원본 샘플의 프로젝션 yθ에 대해 그래디언트를 차단함으로써, 생성기 gξ가 백본의 특징에만 의존하도록 강제한다. 이는 생성 과정이 백본 파라미터에 역전파되지 않아, 백본이 증강 샘플을 통해 지속적으로 업데이트되는 동시에 생성기는 고정된 특징을 기반으로 학습한다는 점에서 효율적이다. (2) Correlation Reduction은 원본과 증강 샘플 사이의 상관을 인위적으로 낮추는 정규화 항을 손실 함수에 추가한다. 구체적으로, 원본 시계열 x와 증강 시계열 x′의 평균 중심화 후 코사인 상관을 계산하고, 이를 최소화하도록 설계하였다. 이는 “양성 샘플 간 차이가 클수록 대비학습 성능이 향상된다”는 기존 연구(예: