시선 추적 (eye-tracking) 신호로부터 실시간 인지 부하 (cognitive load) 평가를 수행하는 것은 운전자 경계 모니터링이나 자동 비행 데크 보조와 같은 안전 필수 (safety-critical) 애플리케이션과 같은 적응형 인간 중심 AI (human-centered-AI)를 가능하게 할 잠재력이 있지만, 두 가지 과제가 남아 있습니다. 바로 눈 깜빡임 (blinks) 및 추적 실패로 인한 빈번한 데이터 결측 (data missingness) 처리와 장기적 시간 의존성 (long-range temporal dependencies)의 효율적인 모델링입니다. 우리는 이러한 과제를 해결하기 위해 1) 데이터 불확실성을 명시적으로 모델링하기 위해 관측 마스크 (observation masks)와 시간 차이 (time-deltas)로 원시 특징을 보강하는 XMD 인코딩 (XMD encoding), 그리고 2) 선형 계산 복잡도 (linear computational complexity)로 시간 의존성을 포착하는 양방향 Mamba-2 (bidirectional Mamba-2)를 사용하는 프레임워크인 MambaGaze를 제안합니다. 피험자 제외 (leave-one-subject-out) 평가 방식의 CLARE 및 CL-Drive 데이터셋에 대한 실험 결과, MambaGaze는 각각 76.8%와 73.1%의 정확도를 달성하였으며, 이는 CNN, Transformer, ResNet, VGG 베이스라인 모델보다 412% 포인트 더 높은 성능입니다. NVIDIA Jetson 플랫폼에서의 엣지 배포 (Edge deployment) 벤치마크 결과, 7.5W 미만의 전력 소비량으로 4368 FPS의 실시간 추론을 입증하여 웨어러블 인지 부하 모니터링에 대한 실현 가능성을 확인했습니다.