인간 행동 인식 (Human Activity Recognition, HAR) 분야가 연구자들의 지속적인 관심을 끌며 중요한 방식으로 발전하고 있지만, 몇 가지 핵심적인 과제는 여전히 남아 있습니다. 실제 환경에서 우수한 성능을 보이는 HAR 모델을 구축할 때 가장 어려운 측면 중 하나는 장치 및 센서의 이질성(heterogeneity)으로 인한 데이터 다양성과 실제 응용 분야에 내재된 맥락적 변화(contextual changes)를 다루는 것입니다. HAR에서의 데이터 다양성은 기존 문헌에서 잘 인정되어 왔으나, 다양한 유형의 분포 변화 (distribution shifts)가 HAR 모델과 그로 인해 발생하는 도메인 일반화 (domain generalization) 문제에 미치는 영향에 대한 이해에는 여전히 격차가 존재합니다. 이를 위해 본 논문은 장치 유형, 센서 배치, 샘플링 속도(sampling rate), 그리고 사용자 행동의 변화를 포함하여 4가지 다른 유형의 분포 변화를 체계적으로 평가합니다. 이러한 효과를 정량화함으로써, 우리는 다양성 변화 (diversity shifts)가 모든 유형의 변화를 지배적으로 정의한다는 것을 보여주며, 이는 서로 다른 도메인 간에 공유되지 않는 고유한 특징들이 존재함을 나타냅니다. 그런 다음 우리는 통일된 HAR 기반 분포 변화 벤치마크를 도입하고 최대 28개의 도메인 일반화 방법론에 대해 종합적인 평가를 수행합니다. 우리의 분석은 모델의 일반화 가능성을 달성하는 데 있어 현재의 도메인 일반화 알고리즘들이 가진 한계를 드러내며, 이들은 경험적 위험 최소화 (Empirical Risk Minimization, ERM) 베이스라인을 근소하게 상회하는 수준에 그칩니다. 본 연구는 센서 기반 HAR에서 특정 분포 변화와 관련된 도메인 일반화 및 적응 (adaptation)에 대한 최초의 체계적인 탐구이며, 향후 연구를 촉진하기 위해 오픈 소스 벤치마크 플랫폼과 데이터셋을 제공합니다.