"웨어러블 기기는 방대한 양의 건강 데이터를 생성하지만, 이 데이터를 레이블링하는 것은 비용이 많이 듭니다. 자기 지도 학습(SSL)은 레이블이 없는 데이터를 활용하여 데이터의 근본적인 구조를 학습할 수 있습니다. 현재 SSL 방법은 다양한 이유로 인해 웨어러블 센서 스트림에서 흔히 발생하는 불완전한 데이터에 어려움을 겪고 있습니다. "LSM-2"는 불완전한 웨어러블 센서 데이터에서 직접 학습하는 SSL 프레임워크인 적응 및 상속 마스킹(AIM)을 도입합니다. AIM은 자연적으로 발생하는 토큰과 인위적으로 마스킹된 토큰을 동등하게 취급하는 이중 마스킹 접근 방식을 사용합니다. AIM을 사용하여 LSM-1 모델을 개선한 대형 센서 모델(LSM-2)이 개발되었습니다. LSM-2는 60,000명의 참가자로부터 얻은 4,000만 시간의 웨어러블 데이터로 사전 학습되었습니다. 활동 인식, 고혈압 분류 및 데이터 재구성 작업에 대해 평가되었습니다. LSM-2는 분류, 재구성 및 건강 지표 예측에서 LSM-1보다 뛰어난 성능을 보였습니다. AIM을 통해 LSM-2는 보정 없이 누락된 데이터를 처리할 수 있어 성능과 견고성이 향상되었습니다. LSM-2는 또한 사용자, 데이터 볼륨 및 모델 크기에 걸쳐 향상된 확장성을 보여줍니다."