본 논문은 웨어러블 기기를 이용한 인간 활동 인식(HAR)에서 사용자 간의 다양성을 고려하여 일반화 성능과 개인 맞춤 성능을 동시에 향상시키는 새로운 온디바이스 퓨샷 학습 프레임워크를 제안합니다. 기존 HAR 모델의 사용자 특이적 변화에 대한 일반화 성능 저하 문제를 해결하기 위해, 먼저 모든 사용자에 대한 일반화된 표현을 학습하고, 소량의 레이블된 샘플만으로 새로운 사용자에게 빠르게 적응하는 경량 분류기 레이어를 자원 제약이 있는 기기에서 직접 업데이트하는 방식을 채택합니다. RecGym, QVAR-Gesture, Ultrasound-Gesture 세 가지 벤치마크 데이터셋을 사용하여 RISC-V GAP9 마이크로컨트롤러에서 프레임워크를 구현하고 평가한 결과, 배포 후 적응을 통해 정확도가 각각 3.73%, 17.38%, 3.70% 향상되는 것을 확인했습니다. 이를 통해 제안된 방법이 확장 가능하고 사용자 인식적이며 에너지 효율적인 웨어러블 HAR을 가능하게 함을 보여줍니다.
