본 논문에서는 센서 기반 분류 작업에서 예제 선택을 개선하기 위해 HED-LM(Hybrid Euclidean Distance with Large Language Models)을 사용한 새로운 몇 번의 시도 최적화 방법을 제안합니다. 소량의 데이터로 효율적인 추론을 가능하게 하는 몇 번의 시도 프롬프팅은 선택된 예제의 질에 크게 의존하는데, HED-LM은 유클리드 거리 기반 필터링과 대규모 언어 모델(LLM)을 이용한 문맥적 관련성 점수를 통한 재순위 지정을 결합한 하이브리드 선택 파이프라인을 통해 이 문제를 해결합니다. 중첩 패턴과 높은 개인차를 특징으로 하는 가속도계 데이터를 사용한 피로 감지 작업에 HED-LM을 적용하여 효과를 검증했습니다. 활동 인식과 같은 단순한 작업과 달리, 피로 감지는 미묘한 생리적 신호 차이 때문에 더욱 미묘한 예제 선택이 필요합니다. 실험 결과, HED-LM은 평균 매크로 F1 점수 69.13±10.71%를 달성하여 무작위 선택(59.30±10.13%) 및 거리 기반 필터링(67.61±11.39%)보다 성능이 우수했습니다. 이는 각각 16.6%와 2.3%의 상대적 향상을 나타냅니다. 결과는 수치적 유사성과 문맥적 관련성을 결합하면 몇 번의 시도 프롬프팅의 강력성이 향상됨을 확인합니다. 전반적으로 HED-LM은 실제 센서 기반 학습 작업의 성능을 향상시키는 실용적인 솔루션을 제공하며, 의료 모니터링, 인간 활동 인식 및 산업 안전 시나리오에서 더 넓은 응용 분야에 대한 잠재력을 보여줍니다.
