[논문 리뷰] Anticipatory Mobile Computing: A Survey of the State of the Art and Research Challenges

Veljko Pejović, Mirco Musolesi|Archivio istituzionale della ricerca (Alma Mater Studiorum Università di Bologna)|2013. 06. 10.

Context-Aware Activity Recognition Systems참고 문헌 168인용 수 150

한 줄 요약

이 논문은 예측형 모바일 컴퓨팅을 조사하며, 모바일 센싱과 기계학습을 활용하여 사용자 맥락(예: 위치, 활동, 정서 상태)을 예측하고 능동적이고 사용자 맞춤형 애플리케이션을 가능하게 하는 프레임워크를 제안한다. 예측 정확도, 시스템 통합, 사용자 프라이버시와 같은 핵심 과제를 밝히며, 스마트폰에서 효율적이고 간섭이 적은 의사결정을 가능하게 하기 위해 강화학습과 잠재학습을 지지한다.

ABSTRACT

Today's mobile phones are far from mere communication devices they were ten years ago. Equipped with sophisticated sensors and advanced computing hardware, phones can be used to infer users' location, activity, social setting and more. As devices become increasingly intelligent, their capabilities evolve beyond inferring context to predicting it, and then reasoning and acting upon the predicted context. This article provides an overview of the current state of the art in mobile sensing and context prediction paving the way for full-fledged anticipatory mobile computing. We present a survey of phenomena that mobile phones can infer and predict, and offer a description of machine learning techniques used for such predictions. We then discuss proactive decision making and decision delivery via the user-device feedback loop. Finally, we discuss the challenges and opportunities of anticipatory mobile computing.

연구 동기 및 목표

• 예측형 모바일 컴퓨팅 분야의 최신 기술 동향을 종합적으로 개관하는 것. 특히 모바일 센싱과 맥락 예측에 중점을 두고.
• 로젠의 이론적 프레임워크를 바탕으로 예측형 컴퓨팅을 일반적인 맥락 인식 또는 예측 시스템과 정의 및 구분하는 것.
• 모바일 환경에서 예측 정확도, 시스템 통합, 사용자 프라이버시와 같은 핵심 연구 과제를 규명하는 것.
• 의료, 스마트 시티, 심리학적 컴퓨팅 분야에서 능동적 시스템이 사용자 경험과 사회적 결과를 향상시킬 수 있는 실용적 응용을 탐색하는 것.
• 기계학습과 피드백 루프를 활용하여 효율적이고 간섭이 적은 예측형 모바일 시스템을 구축하기 위한 설계 지침과 구현 최적 실천 방안을 제공하는 것.

제안 방법

• 가속도계, GPS, 음성 등 모바일 센싱 데이터를 활용하여 사용자 활동, 위치, 사회적 환경과 같은 고수준 맥락을 유추하는 것.
• 감독학습 및 비감독학습 기법을 적용하여 향후 사용자 상태와 환경 조건을 모델링하고 예측하는 것.
• 최소한의 사용자 간섭으로도 적응형이고 능동적인 의사결정을 가능하게 하기 위해 강화학습과 잠재학습을 활용하는 것.
• 예측을 정교화하고 최적의 시점에 맥락 민감한 동작을 제공하기 위해 사용자-장치 피드백 루프를 도입하는 것.
• 원시 센서 신호에서 특징 추출 및 모델 훈련을 거쳐 고수준 맥락 유추에 이르는 정보 흐름을 분석하는 것.
• 실시간 데이터와 사용자 피드백을 통해 예측 모델을 지속적으로 업데이트함으로써 장기적 적응을 가능하게 하는 프레임워크를 제안하는 것.

실험 결과

연구 질문

• RQ1 어떤 시스템이 단순히 맥락 인식 또는 예측 기능을 갖춘 것과는 달리 '예측형'이라 정의되는가?
• RQ2 사용자 맥락(예: 위치, 활동, 정서 상태)을 예측하는 데 가장 효과적인 모바일 센싱 모odalities와 기계학습 기법은 무엇인가?
• RQ3 예측 정확도와 능동적 행동 사이의 균형을 어떻게 유지하여 간섭적이거나 잘못된 행동을 방지할 수 있는가?
• RQ4 대규모로 예측형 모바일 시스템을 구현할 때의 주요 기술적 및 윤리적 과제는 무엇인가?
• RQ5 의료, 스마트 시티, 심리학적 컴퓨팅과 같은 실제 응용 분야에 예측형 컴퓨팅을 어떻게 통합할 수 있는가?

주요 결과

• 예측형 모바일 컴퓨팅은 스마트폰의 풍부한 센서 세트와 증가하는 계산 능력 덕분에 가능해졌으며, 기본 맥락을 넘어서 복잡한 사용자 상태를 추론할 수 있게 한다.
• 예측 정확도는 핵심적이다. 매우 능동적인 행동은 예측이 신뢰성 있을 때에만 유용하므로, 통찰력과 정확도 사이의 균형을 조심스럽게 조정해야 한다.
• 사용자 방해를 최소화하면서도 적응형이고 장기적인 시스템 행동을 가능하게 하기 위해 강화학습과 잠재학습이 최적의 접근법으로 규명되었다.
• Google Now, Apple Siri, Microsoft Cortana와 같은 애플리케이션은 예측형 모바일 시스템의 성숙도와 실제 적용의 증거를 보여준다.
• 예측형 시스템은 사용자의 내적 상태를 예측하고 시스템 행동을 그에 맞게 조정함으로써 심리학적 컴퓨팅을 지원할 수 있다.
• 미래의 스마트 시티는 대규모 개인 맞춤형 맥락 예측을 통해 교통 관리, 환경 모니터링, 공공 안전 분야에서 예측형 모바일 컴퓨팅을 활용할 수 있다.