Los investigadores presentan una evaluación empírica sistemática de las tasas de convergencia de las curvas de aprendizaje para abordar la falta de pautas basadas en datos para determinar tamaños mínimos de muestra en tareas de clasificación basadas en sensores inerciales.
- El estudio introduce un marco unificado que analiza el rendimiento de la clasificación bajo escenarios binarios y multiclase, derivando una fórmula empírica para estimar el rendimiento en relación con el tamaño del conjunto de datos.
- Las pruebas en seis conjuntos de datos reales diversos que suman 102.7 horas de mediciones inerciales demuestran que la precisión sigue un patrón de crecimiento logarítmico consistente independientemente de la complejidad de la tarea.
- Los autores proponen una métrica cuantitativa del punto de estabilidad definida como el tamaño de muestra requerido para que la curva de aprendizaje se estabilice dentro de una desviación porcentual absoluta media predefinida de su máximo asintótico.
- El análisis revela que los modelos a menudo alcanzan la estabilidad práctica con sustancialmente menos muestras de lo que sugieren las heurísticas tradicionales, permitiendo extrapolar los requisitos totales de datos a partir de estudios piloto a pequeña escala.
Estos hallazgos ofrecen pautas concretas respaldadas por datos para planificar campañas de grabación en aplicaciones de sensado inercial, desplazando el paradigma de maximizar el volumen de datos hacia optimizar la eficiencia de los datos.