OnDA：面向高效个性化关键词检测的设备端通道修剪
音频与语音处理
2026-03-04 v1 机器学习
声音
摘要
始于关键词检测 (KWS) 在严格的延迟和能源预算下，对用户和环境特定的分布偏移要求进行设备端适应。本文首次提出将权重适应（即设备端训练）与结构性适应（形式为在线结构化通道修剪）相耦合，用于实现个性化设备端KWS。从最先进的自学习个性化KWS管道开始，我们比较数据无关和数据感知的修剪准则应用于现场伪标记的用户数据。在HeySnips和HeySnapdragon数据集上，我们实现了相对于未修剪基线的最高可达9.63倍的模型大小压缩，保持等任务性能（以每小时0.5次的误警率下的准确率衡量）。在Jetson Orin Nano嵌入式GPU上部署我们的适应管道时，在在线训练/推理期间实现了最高可达1.52倍/1.57倍和1.64倍/1.77倍的延迟和能源消耗改进。
引用
@article{arxiv.2603.02247,
title = {OnDA: On-device Channel Pruning for Efficient Personalized Keyword Spotting},
author = {Matteo Risso and Alessio Burrello and Daniele Jahier Pagliari},
journal= {arXiv preprint arXiv:2603.02247},
year = {2026}
}
备注
Submitted for review at Interspeech2026