본 논문은 수면의 질 평가 및 수면 장애 진단에 중요한 자동 수면 단계 분류 문제를 다룬다. 특히, 웨어러블 또는 가정 기반 모니터링 시스템과 같이 자원 제약적인 환경에서 데이터 수집의 어려움을 해결하기 위해, 수면 에포크당 수집되는 신호의 양을 줄이면서도 신뢰할 수 있는 분류 성능을 유지하는 것을 목표로 한다. 이를 위해, 마스킹 및 프롬프트 학습 전략을 채택한 Mask-Aware Sleep Staging (MASS) 프레임워크를 제안한다. MASS는 다중 레벨 마스킹 전략을 통해 부분적이고 불규칙한 관찰 하에서 효과적인 특징 모델링을 촉진하며, 마스킹으로 인한 컨텍스트 정보 손실을 완화하기 위해 계층적 프롬프트 학습 메커니즘을 사용한다. MASS는 네 개의 데이터 세트에서 평가되었으며, 특히 데이터 양이 매우 제한적인 경우에도 뛰어난 성능을 보였다.
