본 논문은 인간 활동 인식(HAR) 분야에서 발생하는, 훈련 데이터에 없는 활동을 제대로 처리하지 못하는 문제와 활동 클래스 간의 중첩 문제를 해결하고자 합니다. 이를 위해 활동 클래스를 계층적으로 구성하고, 알려진 활동을 정확하게 식별하면서 동시에 알 수 없는 활동을 거부하는 Hi-OSCAR라는 계층적 오픈셋 분류기를 제안합니다. 이 모델은 오픈셋 분류를 가능하게 할 뿐만 아니라, 알 수 없는 클래스를 가장 가까운 내부 노드로 위치시켜 "알려짐/알 수 없음" 이분법을 넘어선 통찰력을 제공합니다. 또한, 이 연구를 위해 새로운 데이터 세트인 NFI_FARED를 수집하여 공개했습니다. NFI_FARED는 일상 생활, 통근, 빠른 동작 등 다양한 상황에서 19가지 활동을 수행하는 여러 피험자의 데이터를 포함합니다.
