연구자들은 관성 센서 기반 분류 작업에서 최소 샘플 크기를 결정하기 위한 데이터 기반 가이드라인의 부재를 해결하기 위해 학습 곡선 수렴 속도의 체계적인 경험적 평가를 제시했습니다.

  • 이 연구는 이진 및 다중 클래스 시나리오 하에서 분류 성능을 분석하는 통합 프레임워크를 도입하고, 데이터셋 크기에 대한 성능을 추정하는 경험적 공식을 도출했습니다.
  • 총 102.7시간의 관성 측정 데이터를 포함하는 여섯 가지 다양한 실제 데이터셋에 대한 테스트는 작업 복잡성과 관계없이 정확도가 일관된 로그 성장 패턴을 따름을 보여줍니다.
  • 저자들은 학습 곡선이 점근적 최대값에 대한 미리 정의된 평균 절대 백분율 편차 내에 안정화되는 데 필요한 샘플 크기로 정의된 정량적 안정성 지점 지표를 제안했습니다.
  • 분석 결과, 모델은 전통적인 휴리스틱이 시사하는 것보다 훨씬 적은 샘플로 실제 안정성에 도달하는 경우가 많으며, 이를 통해 소규모 파일럿 연구에서 총 데이터 요구량을 외삽할 수 있습니다.

이러한 발견은 관성 센싱 응용 프로그램에서 기록 캠페인을 계획하기 위한 구체적이고 데이터 기반 가이드라인을 제공하여, 데이터 볼륨 최대화에서 데이터 효율성 최적화로 패러다임을 전환합니다.