Os pesquisadores apresentam uma avaliação empírica sistemática das taxas de convergência das curvas de aprendizado para abordar a falta de diretrizes baseadas em dados para determinar tamanhos mínimos de amostra em tarefas de classificação baseadas em sensores inerciais.
- O estudo introduz um framework unificado analisando o desempenho da classificação sob cenários binários e multiclasse, derivando uma fórmula empírica para estimar o desempenho em relação ao tamanho do conjunto de dados.
- Testes em seis conjuntos de dados reais diversos totalizando 102.7 horas de medições inerciais demonstram que a precisão segue um padrão de crescimento logarítmico consistente independentemente da complexidade da tarefa.
- Os autores propõem uma métrica quantitativa do ponto de estabilidade definida como o tamanho da amostra necessário para que a curva de aprendizado se estabilize dentro de um desvio percentual absoluto médio predefinido de seu máximo assintótico.
- A análise revela que os modelos frequentemente alcançam estabilidade prática com substancialmente menos amostras do que as heurísticas tradicionais sugerem, permitindo extrapolar os requisitos totais de dados a partir de estudos piloto em pequena escala.
Esses achados oferecem diretrizes concretas e baseadas em dados para o planejamento de campanhas de gravação em aplicações de sensoriamento inercial, deslocando o paradigma de maximizar o volume de dados para otimizar a eficiência dos dados.