Les chercheurs présentent une évaluation empirique systématique des taux de convergence des courbes d'apprentissage pour pallier le manque de directives fondées sur les données pour déterminer les tailles d'échantillon minimales dans les tâches de classification basées sur des capteurs inertiels.
- L'étude introduit un cadre unifié analysant la performance de classification dans des scénarios binaires et multi-classes, dérivant une formule empirique pour estimer la performance par rapport à la taille de l'ensemble de données.
- Les tests sur six ensembles de données réels diversifiés totalisant 102,7 heures de mesures inertielles démontrent que la précision suit une croissance logarithmique cohérente indépendamment de la complexité de la tâche.
- Les auteurs proposent une métrique de point de stabilité quantitative définie comme la taille d'échantillon requise pour que la courbe d'apprentissage se stabilise dans un écart absolu moyen prédéfini par rapport à son maximum asymptotique.
- L'analyse révèle que les modèles atteignent souvent une stabilité pratique avec substantiellement moins d'échantillons que ce que suggèrent les heuristiques traditionnelles, permettant l'extrapolation des besoins totaux en données à partir d'études pilotes à petite échelle.
Ces résultats offrent des directives concrètes et étayées par des données pour planifier les campagnes d'enregistrement dans les applications de détection inertielle, faisant passer le paradigme de la maximisation du volume de données vers l'optimisation de l'efficacité des données.