본 논문은 인간 활동 인식(HAR)에서의 주요 과제인 부족한 레이블 데이터, 고차원 특징 추출의 어려움, 경량 기기 상의 성능 저하 문제를 해결하기 위해 다중 어텐션 상호작용 메커니즘을 중심으로 하는 종합적인 최적화 방안을 제시한다. 비지도 학습 기반 확산 모델을 이용한 데이터 증강으로 레이블 부족 및 클래스 불균형 문제를 완화하고, 다중 분기 시공간 상호작용 네트워크를 통해 다양한 크기의 시계열 데이터 특징을 추출한다. 여기에는 시간적 어텐션과 공간적 어텐션 메커니즘을 통합하여 중요 시간 지점과 센서 간 상호작용을 강화하고, 분기 간 특징 융합 유닛을 통해 전체적인 특징 표현 능력을 향상시킨다. 마지막으로 적응형 다중 손실 함수 융합 전략을 통해 손실 가중치를 동적으로 조정하고 모델을 최적화한다. WISDM, PAMAP2, OPPORTUNITY 세 공개 데이터셋에서 기존 방법들을 상당히 능가하는 높은 정확도(각각 98.84%, 93.81%, 80.92%)를 달성하였으며, 임베디드 기기 상에서의 실험을 통해 효율성과 실현 가능성을 검증하였다. 제안된 방법은 비지도 데이터 증강 시공간 어텐션 확산 네트워크(USAD)라 명명되었다.
