본 논문은 머신러닝 모델의 성능 저하를 야기하는 데이터 분포 변화를 해결하기 위해 개발된, 자원 제약적인 IoT 환경에서의 다중 레이블 음성 분류를 위한 비지도 도메인 적응(UDA) 프레임워크인 Mote-scale Unsupervised Domain Adaptation for Sounds (MUDAS)를 소개한다. MUDAS는 고신뢰 데이터만을 사용하여 분류기를 현장에서 선택적으로 재훈련함으로써 계산 및 메모리 요구 사항을 최소화하여 온디바이스 배포에 적합하도록 설계되었다. 또한 신뢰할 수 있는 가짜 레이블을 생성하기 위해 클래스별 적응형 임계값을 통합하고 다중 레이블 분류 정확도를 향상시키기 위해 다양성 정규화를 적용한다. SONYC Urban Sound Tagging (SONYC-UST) 데이터셋을 이용한 평가에서 MUDAS는 기존 UDA 알고리즘보다 뛰어난 성능을 보였다.
