본 논문은 심층 학습과 사물 인터넷의 발전으로 다양한 인간 감지 애플리케이션이 등장했지만, 다양한 요인이나 상황에 의해 영향을 받는 인간 감지의 독특한 패턴으로 인해 일반적인 신경망 모델의 성능이 저하되는 문제를 해결하기 위해, 사용자 맞춤형 모델을 제시합니다. 기존의 개인 맞춤화 연구는 감각 데이터에서 상황에 따른 사용자 내 이질성을 간과하여 사용자 내 일반화 가능성을 제한하는데, 특히 데이터 가용성이 제한적인 임상 응용 분야에서 이러한 제한은 더욱 중요합니다. 본 논문에서는 사용자 내 일반화 문제를 해결하기 위해 새로운 정적 개인화 접근 방식인 CRoP을 제시합니다. CRoP은 기존의 사전 훈련된 모델을 일반적인 시작점으로 활용하고, 최소 하위 네트워크에 대한 적응적 가지치기를 통해 사용자 특유의 특성을 포착하는 동시에 나머지 매개변수에 일반적인 지식을 통합합니다. CRoP은 두 개의 실제 건강 도메인을 포함한 네 개의 인간 감지 데이터 세트에서 우수한 개인 맞춤화 효과와 사용자 내 강건성을 보여줍니다. 또한, CRoP의 일반화 능력과 설계 선택을 뒷받침하기 위해 기울기 내적 분석, ablation study, 최첨단 기준선과의 비교를 통해 실험적 근거를 제공합니다.
