Badacze zaproponowali nową technikę trenowania modeli rozpoznawających aktywności fizyczne, która wykorzystuje wiele czujników inercjalnych podczas nauki, ale wymaga tylko jednego czujnika IMU na ramieniu podczas wdrożenia. Problem polegał na tym, że standardowa destylacja wiedzy (Knowledge Distillation) stosuje taką samą siłę wpływu każdej próbki treningowej, chociaż model uczeń nie zyskuje z nich równych korzyści. Nowa metoda Dynamic Influence Weighting testuje jednostopniową aktualizację kandydackiej na oddzielnych uczestnikach z foldów walidacyjnych, a następnie przypisuje osobne wagi próbkom dla strat dotyczącej logitów i cech.
W eksperymentach na datasecie WEAR obejmującym 22 uczestników i ponad 68 tysięcy kompletnych sekwencji ruchu, DIW osiągnęła znaczące rezultaty. Makro-F1 dla metody nadzorowanej wyniosła 0.562, dla destylacji o stałych wagach - 0.572, a dla proponowanej metody DIW - 0.638. To stanowi wzrost o 7.66 punktu procentowego w stosunku do uczenia nadzorowanego i 6.68 punktu względem standardowej destylacji. Model przekroczył wyniki uczenia nadzorowanego dla 18 z 19 etykiet aktywności i dla 21 z 22 testowanych uczestników.
Rozwiązanie jest praktycznie ważne, ponieważ pozwala na wykorzystanie informacji z wieloposition czujników tylko w fazie trenowania, bez zmiany architektury modelu czy wymaganego sprzętu podczas użytkowania. Kluczową zaletą jest to, że wszystkie trzy podejścia utrzymują ten sam model o parametrach 80,915 na etapie wnioskowania - zmieniają się jedynie sposoby trenowania, nie zaś rzeczywista czujnikowa konfiguracja systemu.