研究人员提出了一种学习曲线收敛率的系统实证评估，以解决在基于惯性传感器的分类任务中确定最小样本量时缺乏数据驱动指南的问题。

  • 该研究引入了一个统一框架，分析二分类和多分类场景下的分类性能，推导出用于估计相对于数据集规模的性能的公式。
  • 在总共102.7小时的惯性测量的六个多样化真实数据集上的测试表明，无论任务复杂性如何，准确率都遵循一致的逻辑增长模式。
  • 作者提出了一种定量稳定性点指标，定义为学习曲线在其渐近最大值的预定平均绝对百分比偏差内稳定所需的样本量。
  • 分析显示，模型通常比传统启发式方法建议的样本量少得多就能达到实际稳定性，从而允许从小规模试点研究中推断总数据需求。

这些发现为惯性传感应用中的记录活动规划提供了具体、有数据支持的指南，将范式从最大化数据量转向优化数据效率。