在無線傳感器網絡（WSN）中，數據增強是一種新穎的方法，旨在提高採樣頻率決策性能，從而優化物聯網（IoT）傳感器的能耗。然而，現有方法通常依賴於單一生成器和憑經驗確定的數量，未能建立動態信息間隙與多生成器之間的映射關係，並且忽視了生成樣本的異質性。此外，目前還缺乏一種同時考慮信息間隙和模型性能的評估與閉環方法。
為了解決這些問題，研究人員提出了一種信息間隙引導的物聯網傳感器自動數據增強框架（IGADA-IoT）。該框架採用層次化多生成器協作與多輪調度機制，聯合利用不同生成器的能力來縮小信息間隙。具體而言，IGADA-IoT中設計了層次化多生成器協作調度策略（HMGCS），以增強生成樣本分配的針對性和合理性。同時，提出了信息間隙-模型性能聯合評估與閉環方法（IGMP-EC），以提高增強決策的準確性，並降低欠增強和過增強的風險。
實驗結果表明，IGADA-IoT使多個下游模型的平均準確率提升了7.27%。與先進的數據增強方法相比，平均準確率提高了8.67%；與單獨使用生成器相比，平均準確率提高了7.24%。這些性能提升來自於框架能夠動態調整增強策略，根據當前信息間隙和模型狀態選擇合適的生成器和樣本數量。
此外，在UCR存檔中的公開物聯網傳感器數據集以及實際部署場景中，該方法的準確性和泛化能力得到了驗證。例如，在温度傳感器和運動傳感器數據上，IGADA-IoT顯著提升了分類和迴歸任務的性能。
這項研究為無線傳感器網絡中的能量優化提供了新的思路，通過自動化的數據增強策略有效提升了傳感器數據利用效率，有望在智能家居、工業監控等物聯網應用中得到推廣。論文由Mingchun Sun等人提交，於2026年4月22日發佈在arXiv上。該工作不僅解決了數據增強中的關鍵問題，還為未來的智能傳感器網絡設計提供了可借鑑的方法論。