SensingAgents: 강력한 IMU 활동 인식을 위한 멀티 에이전트 협력 프레임워크

SensingAgents: A Multi-Agent Collaborative Framework for Robust IMU Activity Recognition

인체 활동 인식(Human Activity Recognition, HAR)은 모바일 헬스, 스마트 환경, 인간-컴퓨터 상호작용에 중요한 역할을 하는 발진측정장치(IMU) 센서를 사용하여 인식하는 것이다. 그러나 현재의 심층학습 기반 HAR 모델은 레이블이 된 데이터에 의존하는 것이 너무 많고, 위치에 따라 모호성이 발생하고, 투명한推論이 부족한 문제를 가지고 있다. 고급 에이전트 프레임워크에 영감을 받아, 대규모 언어 모델(LLM)을 사용하여 협력하는 에이전트를 시뮬레이션 하는 대규모 언어 모델(LLM) 기반의 협력 에이전트 프레임워크를 모방한 우리는 SensingAgents라는 새로운 다중 에이전트 시스템을 제안한다. SensingAgents는 LLM를 사용하여 특화된 역할을 하는 에이전트를 조직한다: 위치에 따라 센서 분석을 위한 분석가 에이전트 그룹, 센서 오류를 해결하기 위한 동적 및 정적 대화 논리의 에이전트 쌍, 센서 드리프트 또는 실패 시 신뢰성을 보장하는 결정 에이전트. Shoaib 데이터셋에 대한 평가 결과, SensingAgents는 현재의 단일 에이전트 및 다중 에이전트 LLM 모델보다 79.5%의 정확도를 달성하여, 레이블이 없는 설정에서 29% 높고, 심층학습 기반 베이스 라인보다 9.4% 높게 나타났다. 특히, 다중 센서 데이터가 충돌하거나 노이즈가 발생하는 복잡한 시나리오에서 SensingAgents는 우수한 성능을 나타냈다. 우리의 연구는 다중 에이전트 협력적 추론이 광범위한 감지 시스템의 견고성과 해석 가능성을 향상시키는 잠재력을 강조한다.