웨어러블 텔레메트리(Telemetry)를 활용한 운동선수 퍼포먼스 점수 산출을 위한 오토인코더(Autoencoder) 아키텍처

웨어러블 기기는 일상적인 러너들을 위해 대규모의 고차원(high dimensional) 훈련 로그를 생성하며, 이제는 데이터 수집보다는 해석이 제한적인 단계가 되었습니다. 본 논문은 9개의 센서 러너 프로필을 단일 스칼라 퍼포먼스 지표인 잠재 점수(latent score)로 압축하는 능력을 평가하기 위해, 5개의 차원 축소(dimensionality reduction) 모델, 3개의 오토인코더(autoencoder) 변형 모델, PCA, 그리고 변이형 오토인코더(Variational Autoencoder, VAE)를 평가합니다. 설정이 완전히 비지도 학습(unsupervised) 방식이기 때문에, 모델 품질은 두 가지 상호 보완적인 축을 따라 평가됩니다: 재구성 오차(reconstruction error, 평균 제곱 오차(Mean Squared Error, MSE))와 Spearman 및 Kendall 순위 상관계수(rank correlations), 상호 정보량(Mutual Information), 그리고 순열 중요도(Permutation Importance)를 통해 측정된 잠재 점수 해석 가능성(latent score interpretability)입니다. 이들은 재구성 정확도만으로 모델을 선택하는 것을 방지하는 복합 선택 기준(composite selection criterion)으로 결합됩니다. 4가지 지표로부터 얻은 특성 순위(Feature rankings)는 수정된 보르다 계수(Borda count)를 통해 집계되며, 그 안정성은 부트스트랩 검증(bootstrap validation)을 통해 확인됩니다. 비교의 기준점을 잡기 위해 2개 특성 선형 베이스라인(two feature linear baseline)이 포함되었습니다. 딥 오토인코더(Deep autoencoder)는 가장 낮은 재구성 오차와 가장 높은 복합 점수를 달성했습니다. PCA 은닉층(hidden layers)의 너비를 넓히자, 더 깊은 변형 모델들이 복합 기준에서 딥 AE(Deep AE)와 밀접하게 경쟁할 수 있게 되었으며, 이는 제한 요인이 1차원 병목(bottleneck)보다는 은닉층 용량(hidden layer capacity)이었음을 나타냅니다. 러닝 페이스(Running pace), 유산소 디커플링(aerobic decoupling), 그리고 평균 심박수(average heart rate)가 모든 모델과 재표본 추출(resampling) 실행에서 지배적인 잠재 점수 동인(latent score drivers)으로 나타났으며, 이는 확립된 생리학적 원리와 일치합니다.