1. Dynamical Consistency Enforcement

Latent space를 시간에 따라 예측 가능한 동역학 상태로 정의

현재 상태로부터 다음 상태를 예측하고, 실제와의 차이를 최소화하는 Dynamical Loss($L_{dyn}$)를 사용.

→ 기존 HAR 모델 = latent space에 명시적인 물리적 속성과 연결 없음.

→ $L_{dyn}$은 마르코프적이고 시간적 인접성이 유지되는 안정적인 궤적을 학습하도록 강제하여 상태 전이를 더 잘 포착할 수 있음.

<aside> <img src="/icons/thought-dialogue_gray.svg" alt="/icons/thought-dialogue_gray.svg" width="40px" />

“마르코프적이다”: 미래 상태의 확률이 오직 현재 상태에 의해서만 결정, 과거의 이력이나 사건 경과와는 독립적이라는 특성을 의미.

</aside>

2-1. Class-wise Flow Prototype Learning

Activity 종류에 따라 흐름의 패턴이 달라지는 점을 활용

각 클래스별로 Flow Prototype($P_k$)을 정의하고, Encoder의 출력을 해당하는 클래스의 프로토타입에 가깝게 당기는 Prototype Loss($L_{proto}$)를 사용.

→ Embedding 공간에서 클래스별 flow attractor를 형성.

<aside> <img src="/icons/thought-dialogue_gray.svg" alt="/icons/thought-dialogue_gray.svg" width="40px" />

“attrator”: system이 도달하는 안정된 종착점, 시스템이 종착점으로 수렴하는 역학적 특성 및 기능

</aside>

→ 분류를 위한 embedding이 상태 $s$ 자체의 정적 정보뿐만 아니라 상태의 변화 및 동역학 정보를 기반으로 하도록 명시적으로 설계함.

→ Flow embedding을 통해 더 의미 있고 분리 가능한 동적 표현을 학습 가능함.