Para peneliti menyajikan evaluasi empiris sistematis terhadap laju konvergensi kurva pembelajaran untuk mengatasi kurangnya panduan berbasis data dalam menentukan ukuran sampel minimum pada tugas klasifikasi berbasis sensor inersia.
- Studi ini memperkenalkan kerangka kerja terpadu yang menganalisis kinerja klasifikasi di bawah skenario biner dan multi-kelas, menurunkan rumus empiris untuk memperkirakan kinerja relatif terhadap ukuran dataset.
- Pengujian di enam dataset dunia nyata yang beragam dengan total 102,7 jam pengukuran inersia menunjukkan bahwa akurasi mengikuti pola pertumbuhan logaritmik yang konsisten terlepas dari kompleksitas tugas.
- Para penulis mengusulkan metrik titik stabilitas kuantitatif yang didefinisikan sebagai ukuran sampel yang diperlukan agar kurva pembelajaran stabil dalam simpangan persentase absolut rata-rata yang telah ditentukan sebelumnya terhadap maksimum asimtotiknya.
- Analisis mengungkapkan bahwa model sering mencapai stabilitas praktis dengan sampel yang jauh lebih sedikit daripada yang disarankan oleh heuristik tradisional, memungkinkan ekstrapolasi kebutuhan data total dari studi percontohan skala kecil.
Temuan ini memberikan panduan konkret dan berbasis data untuk merencanakan kampanye perekaman dalam aplikasi sensor inersia, menggeser paradigma dari memaksimalkan volume data menuju mengoptimalkan efisiensi data.