연구진은 IMU 기반 인간 활동 인식(HAR)에서 제로샷 학습(ZSL)의 핵심 과제인 센서 임베딩과 의미론적 클래스 표현 간의 격차를 해소하는 방법을 연구했어요.
연구 결과, 모달 격차는 학습 시간 현상이며, 인코더 목표에 의해 결정되며, 대비 학습과 역 소프트맥스 교정 조합이 가장 효과적이었어요 (73.2% 정확도, 0.583 매크로 F1).
풍부한 텍스트 설명이 Sentence-BERT 공간에서 프로토타입 간 분리성을 감소시키는 단점이 있지만, 대비 정렬의 이점을 상쇄하지는 않으며, 매크로 평균 F1을 ZSL-HAR 벤치마크의 표준 보고 지표로 권장해요.