面向时间序列分类的自适应结构化卷积神经网络剪枝
机器学习
2026-02-16 v1
摘要
深度学习模型在时间序列分类（TSC）中取得了强大的预测性能，但其高计算和内存要求常常限制在资源受限设备上的部署。虽然结构化剪枝可以通过删除冗余滤波器来解决这些问题，但现有方法通常依赖于手动调谐的超参数，如剪枝比例，这限制了跨数据集的可扩展性和泛化性。在本工作中，我们提出了动态结构化剪枝（DSP），一个用于基于卷积的 TSC 模型的完全自动化、结构化剪枝框架。DSP 在训练期间引入基于实例的稀疏性损失，以诱导通道级稀疏性，随后通过全局激活分析来识别和剪枝冗余滤波器，无需任何预定义的剪枝比例。这一工作解决了深层 TSC 模型在资源受限设备上的计算瓶颈。我们在 128 个 UCR 数据集上使用两种不同的深度最先进架构：LITETime 和 InceptionTime 进行验证。我们的做法在 LITETime 架构下实现 58% 的平均压缩，在 InceptionTime 架构下实现 75% 的压缩，同时保持分类准确率。冗余分析确认 DSP 产生紧凑且信息丰富的表示，为可扩展且高效的深层 TSC 部署提供了实际路径。
引用
@article{arxiv.2602.12744,
title = {Adaptive Structured Pruning of Convolutional Neural Networks for Time Series Classification},
author = {Javidan Abdullayev and Maxime Devanne and Cyril Meyer and Ali Ismail-Fawaz and Jonathan Weber and Germain Forestier},
journal= {arXiv preprint arXiv:2602.12744},
year = {2026}
}
备注
12 pages, 16 figures. Accepted at ICAART 2026