在无线传感器网络（WSN）中，物联网（IoT）传感器的能耗优化长期以来依赖合理的采样频率决策，而数据增强被视为提升该决策性能的一条新路径。然而，现有方法普遍依赖单一生成器，并且所需的增强数量往往由经验确定，既无法在动态变化的信息缺口与多个生成器之间建立映射关系，也忽视了生成样本之间的异质性。此外，如何将信息缺口与模型性能共同纳入评估，并形成闭环控制，此前也缺乏系统性的方法。针对上述问题，Mingchun Sun 与另外三位作者在 2026 年 4 月 22 日提交至 arXiv 的论文（编号 arXiv:2605.27397v1，分类为 cs.LG 机器学习）中提出了 IGADA-IoT 框架，即由信息缺口引导的物联网传感器自动数据增强框架，其核心在于分层多生成器协作与多轮调度。
该框架的基本思路是联合利用不同生成器的能力来缩小信息缺口。为此，研究团队设计了分层多生成器协作与调度策略（HMGCS），用于提升生成样本分配的针对性与合理性，使不同轮次中的增强资源能够按照实际需求被调度到最需要的环节。与之配套的是信息缺口—模型性能联合评估与闭环方法（IGMP-EC），它把信息缺口和下游模型表现放在同一评估体系中，从而提高增强决策的准确性，并缓解增强不足与过度增强两类风险。这种闭环设计意味着增强过程不再是单向的一次性操作，而是根据评估结果在多个轮次中持续调整。
实验结果从多个维度验证了该方法的有效性。IGADA-IoT 使多个下游模型的平均准确率提升了 7.27%；与先进的数据增强方法相比，平均准确率提升 8.67%；与单独使用各个生成器相比，平均准确率提升 7.24%。研究还使用了 UCR Archive 中的公开物联网传感器数据集以及真实部署环境中的数据，进一步证明了该方法在准确性和泛化能力方面的表现。
从应用意义上看，该工作将数据增强与 WSN 中的采样频率决策直接关联，从而服务于 IoT 传感器的能耗优化目标：更高质量的增强数据有助于模型做出更合理的采样决策，进而在保证信息获取质量的同时降低不必要的能耗。论文的贡献不仅在于提出了一个具体框架，还在于把多生成器协作、样本异质性处理以及评估闭环整合为统一流程，为后续在真实传感器网络中部署自动数据增强方法提供了可参考的技术路线。需要指出的是，目前公开信息主要来自论文摘要与提交记录，完整的实现细节、参数设置与更大规模部署的验证结果仍需查阅论文全文。