第 14 名解决方案

非常感谢组织者——这次挑战提供了丰富的建模思路试验场，也带来了许多来之不易的经验教训。

概要 (TL;DR)

我使用了基于受试者的 GroupStratifiedKFold 交叉验证（分析时用 5 折；最终提交时用 20 折 Bagging），仔细的用手习惯标准化（镜像左手→右手），以及对两名反向佩戴受试者的 180° 校正。建模栈结合了 WaveNet、ResNet、U-Net 和 SqueezeFormer，处理 96 步序列，并使用样本权重、时间序列增强和 EMA 权重平滑进行训练。由于某些序列缺乏旋转（四元数）特征，我训练了四种模型变体（仅 IMU vs IMU+THM+ToF；含/不含仅加速度计）。在推理时，当缺少旋转特征时，我将示例门控到相应的变体。这种门控在私有排行榜上带来了 +0.0015 的提升，使我保持在金牌区。

预处理与标准化

• 用手习惯标准化：将左手记录镜像到右手坐标，以统一运动学特征。
• 反向佩戴校正：两名受试者反向佩戴了设备；我应用了180°旋转以使他们的帧对齐。
• 序列窗口化：固定序列长度 = 96 个样本/示例。
• 缺失旋转特征：某些序列缺乏四元数/衍生的旋转特征 (NaN)。这促使了下面的模型变体和推理路由器的设计。

交叉验证

• 交叉验证方案: 基于受试者的 GroupStratifiedKFold，以保持类别比例同时防止受试者泄露。
• 折数: 我运行了 5 折实验（报告 CV），然后通过 20 折 Bagging 构建最终集成（在相同的受试者分组原则下使用不同的拆分/种子）。
• 为何重要: 受试者具有独特的运动特征；将受试者混合 across train/valid 会虚增 CV。分组 CV 产生了稳定的 CV↔排行榜一致性，并降低了过拟合风险。

特征

我结合了有竞争力的公共特征想法与额外的时间/物理描述符：

• 公共基线特征（从社区 Notebook 中采用并修剪）
• 时间梯度
• 绝对值
• 四元数衍生特征

模型家族（多架构集成）

所有模型都消耗96 步序列，并使用相同的训练/验证拆分。

• WaveNet
• ResNet
• U-Net
• SqueezeFormer

四种训练变体（用于处理缺失的旋转）：

1. 仅 IMU（所有 IMU 特征）。
2. 仅 IMU（仅加速度计特征）。
3. IMU + THM + ToF（所有 IMU 特征）。
4. IMU(仅 accel) + THM + ToF。

推理路由： 当旋转/四元数衍生特征缺失时，我相应地使用(2) 或 (4)。否则使用(1) 或 (3)。 这个简单的门控 materially 提高了混合模态测试数据的最终可靠性。

训练细节

• 损失与加权: 通过样本权重解决类别不平衡问题
• 增强（时间序列）: 轻微抖动、时间偏移和尺度扰动；镜像/旋转操作符合物理上合理的变换。
• EMA 权重平滑: 维护模型参数的指数移动平均（Exponential Moving Average）；验证/推理时使用 EMA 权重以稳定损失。

非常感谢竞赛组织者和 Kaggle 社区提供的资源和讨论。