잠재 행동 모델 (LAM)은 비디오 프레임 간의 변화를 잠재 변수로 압축하여 레이블이 없는 비디오에서 행동과 관련된 변화를 학습하는 것을 목표로 합니다. 본 논문에서는 LAM 학습의 본질을 담은 선형 모델을 제시하여, LAM이 행동으로 인한 변화를 포착하는지, 아니면 관련 없는 노이즈를 포착하는지에 대한 문제를 분석적으로 연구합니다. 본 연구는 LAM과 주성분 분석 (PCA) 간의 관계, 데이터 생성 정책의 요구 사항, 데이터 증강, 데이터 정제, 보조 행동 예측 등을 사용하여 제어 가능한 변화 학습을 장려하는 전략의 정당성을 포함한 여러 통찰력을 제공합니다. 또한 수치 시뮬레이션을 기반으로 하여 LAM 학습에 영향을 미치는 데이터의 관찰, 행동 및 노이즈의 특정 구조에 대한 결과를 제공합니다.
