본 연구는 러닝 데이터 분석을 위한 5가지 차원 축소 모델을 평가했어요. 특히 오토인코더 3가지 변형, PCA, 그리고 Variational Autoencoder를 활용하여 9가지 센서 데이터를 단일 성과 지표로 압축했어요.
모델 성능은 재구성 오류(MSE)와 잠재 점수 해석 가능성을 기준으로 평가했는데, 잠재 점수 해석 가능성은 Spearman/Kendall 상관관계, 상호 정보량, 순열 중요도를 통해 측정했어요.
Deep autoencoder가 가장 낮은 재구성 오류와 가장 높은 복합 점수를 달성했지만, PCA의 숨겨진 레이어를 넓히자 다른 변형 모델들도 경쟁력을 갖추게 됐어요.
러닝 속도, 산소 결합, 평균 심박수가 모든 모델에서 주요 성과 지표 요인으로 나타났으며, 이는 기존 생리학적 지식과 일관성을 보여요.