본 논문은 실제 시스템으로부터 얻은 다차원 시계열 데이터의 분류를 위해, 제한된 학습 데이터 환경에서도 일반화 성능이 우수한 특징을 학습하는 데 중점을 둔 새로운 프레임워크인 ITA-CTF(Intelligently Augmented Contrastive Tensor Factorization)를 제안한다. ITA-CTF는 텐서 분해(CTF) 모듈을 통해 시계열의 핵심 설명 요소(예: 센서 요인, 시간 요인)와 그들의 상호 의존성을 학습하고, 기존 텐서 분해와 달리 대조 손실 최적화를 도입하여 유사도 학습과 클래스 인식을 향상시킨다. 또한, ITA(Intelligently Augmented) 모듈을 통해 클래스 내 패턴을 강조하는 표적 증강을 생성하여 제한된 학습 데이터 환경에서도 복잡한 클래스 내 변화를 인식하고, 정확한 분류 성능을 위한 불변의 클래스 특성을 찾도록 돕는다. 다섯 가지 분류 작업에 대한 종합적인 평가 결과, 기존 텐서 분해 및 여러 심층 학습 기법 대비 최대 18.7%의 성능 향상을 달성하였다.
