본 논문은 다양한 센싱 방식을 사용하는 인간 활동 인식(HAR)에서 사용자 간의 일반화와 개인별 맞춤화를 동시에 달성하는 새로운 온디바이스 퓨샷 학습 프레임워크를 제안합니다. 기존 HAR 모델의 사용자 특이적 변화에 대한 일반화 실패 문제를 해결하기 위해, 먼저 사용자 간 일반화 가능한 표현을 학습하고, 소량의 라벨링된 샘플만으로 새로운 사용자에게 빠르게 적응하는 경량 분류기 계층을 리소스 제약이 있는 디바이스에서 직접 업데이트하는 방식을 제시합니다. RecGym, QVAR-Gesture, Ultrasound-Gesture 세 개의 벤치마크 데이터셋을 사용하여 RISC-V GAP9 마이크로컨트롤러 상에서 구현 및 평가했으며, 배포 후 적응을 통해 정확도가 각각 3.73%, 17.38%, 3.70% 향상되는 결과를 보였습니다. 이를 통해 확장 가능하고, 사용자 인식적이며, 에너지 효율적인 웨어러블 HAR을 가능하게 합니다. 관련 프레임워크는 오픈소스로 공개되었습니다.
