웨어러블 센서로 사람의 일상 동작을 인식하는 인간 행동 인식(HAR, Human Activity Recognition) 분야에서 센서 데이터를 언어 표현과 정렬하는 SensorLLM 방식이 주목받고 있다. 이 방식은 모션-언어 정렬을 1단계로 수행하고 다운스트림 과제를 2단계로 학습하는 구조인데, 연구팀의 실험에서 2단계 백본을 타이니라마(TinyLlama)와 같은 경량 모델로 압축할 경우 동적 활동 인식은 유지되지만 서기·앉기·눕기와 같은 정적 자세 구분 성능이 크게 떨어지는 일관된 실패 패턴이 드러났다.
이를 해결하기 위해 연구팀은 이미 정렬 완료된 모델 위에 추가적인 대규모 사전 학습 없이 가볍게 붙이는 적응 모듈, ‘중력 인식 계층적 라우팅 헤드’를 제안했다. 이 방법은 Chronos 토크나이저 상태에서 채널별 평균과 표준 편차를 추출해 자세 및 중력 방향과 관련된 통계적 단서를 얻고, 정적 전문가와 전체 전문가를 소프트 라우팅 방식으로 적응적으로 조합하는 구조다. 안정적인 학습을 위해 부하 균형 손실(load-balancing loss)도 함께 적용했다.
MHealth 데이터셋에서의 실험 결과, 이 설계는 최소한의 파라미터 추가만으로 매크로 F1 지표를 크게 향상시켰다. 개선 효과는 정적 동작 클래스에 집중됐으며, 동적 활동 인식 성능은 그대로 유지됐다. 연구팀은 이번 논문이 단일 데이터셋 결과만을 보고하는 첫 arXiv 공개본임을 명시하며, 향후 더 폭넓은 평가를 위한 기반 작업임을 밝혔다.
웨어러블 AI는 헬스케어, 재활, 스마트 홈 등 다양한 분야에서 응용이 확대되고 있으나, 경량화 과정에서 특정 동작 범주의 인식이 떨어지는 문제는 실용화의 걸림돌이었다. 추가적인 대규모 학습 없이 기존 모델 위에 가볍게 적용 가능한 해결책을 제시했다는 점에서, 이번 연구는 경량 온디바이스 HAR 시스템 개발에 실질적인 기여를 할 것으로 기대된다.
