본 논문은 모바일 컴퓨팅 분야에서 활발히 연구되는 상황 인식 인간 활동 인식(HAR)에 대해 다룬다. 기존의 효과적인 해결책은 지도 학습 기반의 심층 학습 모델에 의존하지만, 이러한 시스템의 실제 배포는 학습에 필요한 라벨링된 데이터 부족으로 제한된다. 본 논문은 신경 기호 AI(NeSy)를 활용하여 이 문제를 완화하고자 한다. NeSy는 인간 활동과 수행 가능한 상황에 대한 상식적 지식을 HAR 심층 학습 분류기에 주입한다. 기존의 NeSy 방법은 온톨로지와 같은 논리 기반 모델에 지식을 인코딩하는데 의존하지만, 새로운 활동과 상황을 포착하기 위한 설계, 구현, 유지보수에는 상당한 인적 노력, 기술적 지식 및 도메인 전문 지식이 필요하다. 본 논문에서는 사전 훈련된 대규모 언어 모델(LLM)이 인간 활동에 대한 상식적 지식을 효과적으로 인코딩한다는 점에 착안하여, ContextGPT라는 새로운 프롬프트 엔지니어링 기법을 제안한다. ContextGPT는 LLM에서 인간 활동과 수행되는 상황 간의 관계에 대한 상식적 지식을 검색하며, 온톨로지와 달리 제한된 인적 노력과 전문 지식만을 필요로 한다. 두 개의 공개 데이터셋에 대한 광범위한 평가를 통해 ContextGPT에서 얻은 상식적 지식을 주입한 NeSy 모델이 데이터 부족 시나리오에서 효과적이며, 논리 기반 접근 방식과 비교하여 훨씬 적은 노력으로 유사하거나 더 나은 인식률을 달성함을 보여준다.
