분산형 광섬유 감지(DFOS)는 장거리에서 미세한 공간 해상도로 진동 이벤트를 모니터링할 수 있어 경계 보안에 유망하다. 그러나 실제 DFOS 시스템은 (1) 서로 다른 광섬유 배치 유형(예: 지하, 벽 장착)에 따라 동일한 활동의 신호 패턴이 크게 변동하여 도메인 이동을 유발하는 점, (2) 새로운 배치 시나리오에서 레이블된 데이터가 부족하거나 전혀 없어 모델 적응성을 제한하는 점, (3) 소스 도메인 내에서도 데이터 부족으로 인해 강력한 학습을 위한 클래스 내 다양성을 포착하기 어려운 점과 같은 세 가지 주요 과제에 직면한다. 이러한 과제를 해결하기 위해, 본 논문에서는 상호 배치 DFOS 활동 식별을 위한 새로운 메타 학습 프레임워크인 DUPLE을 제안한다. DUPLE은 시간 및 주파수 도메인 특징을 융합하는 이중 도메인 다중 프로토타입 학습자를 사용하여 신호 분포 이동 하에서 모델의 일반화 능력을 향상시킨다. 또한, 통계적 가이드 네트워크(SGN)는 원시 통계적 특징으로부터 도메인 중요도와 프로토타입 민감도를 추론하여, 레이블이 없거나 보이지 않는 도메인에서 학습을 위한 데이터 기반 사전 정보를 제공한다. 쿼리 인식 프로토타입 집계 모듈은 관련 프로토타입을 선택적으로 결합하여 제한된 데이터로도 분류 성능을 향상시킨다. 상호 배치 DFOS 데이터 세트에 대한 광범위한 실험을 통해 제안된 방법이 도메인 일반화 설정에서 기준 접근 방식보다 성능이 우수함을 입증하였으며, 다양한 광섬유 구성에서 최소한의 레이블된 데이터로도 견고한 이벤트 인식을 가능하게 한다.
