본 논문은 스마트 시티와 헬스케어와 같이 복잡한 사건(CE: Complex Events) 감지를 필요로 하는 실세계 문제에 초점을 맞추고 있습니다. 기존의 머신러닝 모델은 단기간의 국지적인 관측으로부터 개별 행동, 객체 또는 장면 속성을 감지하는 데 뛰어나지만, 복잡한 사건 감지는 (시공간적) 규칙에 따라 지배되는 단기 원자 이벤트(AE: Atomic Events) 패턴을 장기간 추론해야 하며, 희귀하고, 노이즈가 많은 센서 데이터를 처리해야 하고, 고정 길이 추적을 넘어 규칙을 일반화해야 하는 어려움이 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 NAROCE라는 새로운 프레임워크를 제안합니다. NAROCE는 (i) 시뮬레이터나 거대 언어 모델(LLM)을 이용하여 생성된 대규모 저비용 의사 AE 개념 추적으로부터 CE 규칙을 학습하고, (ii) 실제 센서 데이터를 학습된 추론 공간에 매핑하는 어댑터를 소량의 라벨링된 센서 샘플을 사용하여 학습하는 두 단계로 구성됩니다. 실험 결과, NAROCE는 정확도, 더 길고 보이지 않는 시퀀스에 대한 일반화, 데이터 효율성 측면에서 최고 성능의 기준 모델을 능가하며, 라벨링된 데이터의 절반 미만으로 비슷한 성능을 달성함을 보여줍니다. 이는 CE 규칙 학습을 원시 센서 입력으로부터 분리하는 것이 데이터 효율성과 강건성을 모두 향상시킨다는 것을 시사합니다.
