基于剪枝的 TinyML 优化：面向电动车充电设施的异常检测机器学习模型
机器学习
2025-03-20 v1 信号处理
摘要
随着实时处理需求在物联网设备上的增长，优化机器学习 (ML) 模型的尺寸、延迟和计算效率至关重要。本文针对资源受限的环境，特别是针对电动车充电设施 (EVCI)，研究了一种剪枝方法用于异常检测。使用 CICEVSE2024 数据集，我们通过 Optuna 进行超参数调优，对三个模型——多层感知器 (MLP)、长短期记忆网络 (LSTM) 和 XGBoost——进行训练和优化，进一步采用基于 SHapley 加性解释 (SHAP) 的特征选择 (FS) 和非结构化剪枝技术进行细化。优化后的模型在模型尺寸和推理时间方面实现了显著减少，仅对性能产生轻微影响。值得注意的是，我们的发现表明，在 EVCI 场景下，剪枝和 FS 可在保持关键异常检测能力的同时，提升计算效率。
引用
@article{arxiv.2503.14799,
title = {Pruning-Based TinyML Optimization of Machine Learning Models for Anomaly Detection in Electric Vehicle Charging Infrastructure},
author = {Fatemeh Dehrouyeh and Ibrahim Shaer and Soodeh Nikan and Firouz Badrkhani Ajaei and Abdallah Shami},
journal= {arXiv preprint arXiv:2503.14799},
year = {2025}
}
备注
This paper has been accepted for presentation at IEEE ICC 2025. The final published version will be available in the conference proceedings. The implementation and code are available at: https://github.com/Western-OC2-Lab/EVCI-Pruning