Mobile sensing utilizes sensors from mobile devices (e.g., smartphones and wearables) to infer user contexts and provide appropriate services accordingly. Integrated with deep learning, which enables the understanding of multi-dimensional sensory data, mobile sensing has broad applications ranging from human activity recognition to mobile healthcare. However, we found that various factors such as different users, devices, and environments impact the performance of such applications, thus making the domain shift (i.e., distributional shift between the training domain and the target domain) a critical issue in mobile sensing. To overcome the domain shift in mobile sensing, this thesis proposes four approaches. First, we propose a meta-learning-based adaptation framework that utilizes very few data instances from a target user. Second, we propose a similar condition detector that identifies when the unseen condition has similar characteristics to seen conditions and leverages this hint to further improve the accuracy. Third, to eliminate the labeling burden and adapt to gradually changing environments, we propose a test-time adaptation scheme that adapts to a target user's domain during inference without any data collection. Lastly, to reduce the uncertainty of the performance after adaptation, we present a framework that estimates the adaptation performance in a target domain with only unlabeled target data. Our evaluation with real-world datasets indicates that the proposed methods not only outperform the baselines but also significantly reduce computational overhead, which is crucial for resource-constrained mobile devices.
모바일 센싱은 스마트폰 및 웨어러블 기기 등 모바일 기기의 센서를 활용하여 사용자의 컨텍스트를 추론하고 그에 따라 적절한 서비스를 제공하는 기술이다. 최근 기계학습과 딥러닝의 발전으로 다차원 센서 데이터의 효율적 학습이 가능해 지면서, 모바일 센싱은 사용자 활동 인식에서부터 모바일 헬스케어에 이르기까지 광범위한 응용 분야를 보이고 있다. 하지만 모바일 센싱의 성능은 서로 다른 사용자, 기기 및 환경과 같은 다양한 요인으로부터 영향받는다. 우리는 도메인 변화 (학습 도메인과 테스트 도메인간의 분포 차이) 가 기계학습 기반의 모바일 센싱이 널리 쓰기기 위해 극복해야할 중요한 문제라는 것을 밝혔다. 이 논문은 모바일 센싱의 도메인 변화를 극복하기 위한 네 가지 접근법을 제안한다. 먼저, 우리는 극소량의 사용자 데이터만 가지고 적응하는 메타 학습 기반 적응 프레임워크를 제안한다. 둘째로, 학습한 도메인과 학습하지 않은 도메인이 유사한 특성을 가질 때를 식별하고, 이를 활용하여 정확도를 더욱 향상시키는 유사 도메인 감지 기술을 제안한다. 셋째, 사용자의 레이블링 부담을 없애는 한편 점차 변화하는 환경에 적응하기 위해 데이터 수집 없이 사용자의 도메인에 적응하는 테스트 타임 적응 프레임워크를 제안한다. 마지막으로, 사용자에 적응 후 성능의 불확실성을 줄이기 위해 레이블이 없는 데이터만으로 대상 도메인에서 적응 성능을 추정하는 프레임워크를 제시한다. 실제 데이터를 사용한 성능 평가에 따르면 제안된 방법들은 기존 알고리즘들을 능가할 뿐만 아니라 리소스가 제한된 모바일 기기에서 계산 오버헤드를 크게 줄이는 것으로 나타났다.
