OASI：面向TinyML关键词检测的多目标贝叶斯优化的目标感知代理初始化
机器学习
2026-03-05 v2 声音
摘要
语音触发接口依赖关键词检测（KWS）模型，必须在单片机级硬件上持续运行，受严格的内存、延迟和能源限制。因此，设计此类模型不仅需要高识别准确率，还需要在有限的 Flash 和 SRAM 预算内实现可预测的可部署性。贝叶斯优化已知能有效处理准确率与效率之间的权衡，在多目标优化中表现突出；但该方法对初始化高度敏感，尤其是在TinyML模型优化的低预算情境下。我们提出目标感知代理初始化（Objective-Aware Surrogate Initialization, OASI），其通过多目标模拟退火生成 Pareto 偏好解来作为代理优化的种子。不同于填充或启发式热启动方法，OASI 以对可行准确率-内存权衡的偏好来初始化代理条件过程，从而避免违反 SRAM 的配置。OASI 在相同的预算约束下，相较于拉丁超立方、Sobol 和随机初始化，在TinyML KWS问题上提高了超体积和收敛鲁棒性。基于STM32单片机的硬件在环实验验证，在不增加额外优化成本的情况下，即可找到可部署且内存可行的模型。
引用
@article{arxiv.2512.19739,
title = {OASI: Objective-Aware Surrogate Initialization for Multi-Objective Bayesian Optimization in TinyML Keyword Spotting},
author = {Soumen Garai and Danilo Pau and Suman Samui},
journal= {arXiv preprint arXiv:2512.19739},
year = {2026}
}
备注
Updated version