PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.14360v2cs.HC

종단적 학생 건강 모니터링을 위한 웨어러블 센싱의 보완재로서 짧은 정서적 텍스트에 대한 형성적 연구

A Formative Study of Brief Affective Text as a Complement to Wearable Sensing for Longitudinal Student Health Monitoring

웨어러블 기기는 생체 및 행동 데이터를 점점 더 높은 정확도로 포착하지만, 이러한 결과를 형성하는 심리적 맥락은 센서 데이터만으로는 복원하기 어려워 조기 조난 신호 감지, 맞춤형 개입, 적시의 임상적 지원과 같은 디지털 헬스 목표를 위한 수동적 센싱(passive sensing)의 유용성을 제한합니다. 본 연구에서는 매우 짧은 일상적 고민 텍스트가 수동적 센싱을 위한 확장 가능한 보완재 역할을 할 수 있는지 살펴보았습니다. Oura ring으로 추적 관찰된 대학생 458명을 대상으로 한 1년간의 연구(3,610 person-waves)에서, 참가자들은 가장 걱정되는 점에 대한 개방형 프롬프트에 격월로 응답하였으며, 응답의 중간값 길이는 세 단어였습니다. 본 연구에서는 짧은 일상적 텍스트에서 생리학적으로 유의미한 신호를 가장 잘 복원하는 방법을 파악하기 위해 사전 기반, 범용 사전학습, 도메인 적응형 자연어 처리(NLP) 접근 방식을 9가지 수면 및 신체 활동 결과를 대상으로 개인 내 혼합 효과 모델(within-person mixed-effects models)을 사용하여 비교했습니다. 학업에 대한 걱정 표현이 주를 이룬 주간은 신체 활동량 감소와 관련이 있었으며, 정서적 탈진 언어가 두드러진 주간은 수면 질 저하 및 심박 변이도(heart rate variability) 감소와 관련이 있었습니다. 범용 사전학습 임베딩은 대부분의 결과에서 도메인 적응 모델만큼 우수하거나 더 나은 성능을 보였으며, 두 모델 간의 차이는 대체로 미미하고 추정 오차 범위 내에 있었습니다. 고민 주제에 대한 제로샷(zero-shot) 분류는 결과와의 연관성에 대해 일관된 증거를 보이지 않은 반면, 세 가지 방법 전반에 걸친 정서적 차원은 더 많은 연관성을 나타냈으나 다중 비교 보정(correction for multiple comparisons)을 통과하지는 못하여 주제별 내용보다 정서적 분위기(emotional register)가 더 많은 신호를 담고 있을 수 있다는 초기 증거를 제공했습니다. 이러한 결과는 디자인 가이드라인을 제공합니다. 즉, 매우 짧은 정서적 프롬프트는 최소한의 부담으로 수동적 생체 데이터의 심리학적 해석 가능성을 풍부하게 합니다.

arXiv:2605.01616v3cs.LG

패킷에서 패턴으로: 암호화된 네트워크 트래픽을 종단적 행동 신호로 해석하기

From Packets to Patterns: Interpreting Encrypted Network Traffic as Longitudinal Behavioral Signals

인간의 행동을 대규모로 지속해서 관찰하는 것은 어렵지만, 일상적인 기기 사용 속에는 측정 가능한 흔적이 남습니다. 본 연구에서는 어디에나 존재하며 항상 켜져 있는 수동적 센싱(passive sensing) 양식인 암호화된 스마트폰 네트워크 트래픽이 수면, 스트레스, 외로움과 관련된 행동 패턴을 수동적으로 포착할 수 있는지 검증합니다. 사용자별 어댑터(adapter)를 갖춘 트랜스포머(transformer) 백본을 사용해 공유된 행동 구조를 모델링함으로써, 모델이 전형적인 개인의 행동과 그로부터의 일탈을 모두 표현할 수 있도록 합니다. 이러한 표현을 해석 가능하게 만들기 위해, 희소 오토인코더(sparse autoencoder)를 적용하여 구별되는 활동 패턴에 대응하는 행동 특징을 추출합니다. 그런 다음 먼들락 분해(Mundlak decomposition)를 적용한 일반화 추정 방정식(GEE)을 사용하여 이러한 특징들을 수면 장애, 스트레스, 외로움과 연계하고, 개인 간 차이와 시간에 따른 개인 내 변화를 분리합니다. 연구 결과 세 가지 결과 변수는 서로 다른 시간적 구조를 반영하는 것으로 나타났습니다. 스트레스는 주로 안정적인 개인 간 차이와 연관되고, 외로움은 개인 내 변동과 연관되며, 수면 장애는 두 가지가 결합된 형태를 보였습니다. 특히 이러한 개인 내 역동성은 사전에 정의된 네트워크 트래픽 특징으로는 포착되지 않아, 종단적 행동 센싱을 위한 학습된 표현의 가치를 입증합니다. 이러한 결과는 암호화된 네트워크 트래픽이 실현 가능한 수동적 센싱 양식임을 확립하며, 원시 트래픽 특징에서는 드러나지 않는 해석 가능한 행동 역동성, 특히 개인의 기준선(baseline)으로부터의 일탈을 밝혀냅니다.