스마트폰 센서 데이터로부터 인간의 상황을 정확하게 인식하는 것은 어려운 과제이며, 특히 공부, 강의, 휴식, 식사와 같이 유사한 관성 패턴을 보이는 정적인 환경에서는 더욱 어렵습니다. 또한, 소셜 컨텍스트는 사용자 행동을 이해하는 데 중요한 역할을 하지만, 모바일 센싱 연구에서 종종 간과됩니다. 이러한 격차를 해결하기 위해, 본 논문에서는 스마트폰 센서 데이터를 수집하고, 정적인 활동과 소셜 컨텍스트를 캡처하는 사용자 보고를 요청하는 모바일 센싱 애플리케이션 LogMe를 소개합니다. 이중 레이블 데이터셋을 사용하여, DySTAN (Dynamic Cross-Stitch with Task Attention Network)을 제안합니다. DySTAN은 공유 센서 입력으로부터 두 컨텍스트 차원을 공동으로 분류하는 다중 작업 학습 프레임워크입니다. DySTAN은 단일 작업 CNN-BiLSTM-GRU (CBG) 모델보다 정적인 활동 매크로 F1 점수를 21.8% 향상시키고, 가장 강력한 다중 작업 기준선인 Sluice Network (SN)보다 8.2% 향상시켰습니다.
