01目标
在高效活动识别研究中，探索能否通过训练期优化同时降低传感器需求和模型内存负担，并保持识别能力。
研究承接已有的边缘压缩模型，进一步把“哪些输入真正必要”和“哪些网络滤波器可以移除”转化为可训练、可评估的问题。
02输入
- 多传感器时序数据、活动识别标签和已有模型基线。
- 传感器通道与卷积滤波器的分组定义。
- 可加入损失函数的 Group Lasso、Hoyer-square 等稀疏正则。
- 识别准确率、传感器数量、选择耗时与模型大小等评估口径。
减少输入与减少模型容量都会影响识别。评估需要保持数据与基线一致，区分不同优化阶段的收益。
03用户流程
这是面向研究者的训练与评估流程：
- 训练或复现基线，确定比较所用的数据和指标。
- 按传感器通道分组，在训练目标中加入稀疏约束，让模型学习输入重要性。
- 根据结果选择传感器，评估输入减少后识别表现与选择成本。
- 将分组对象改为卷积滤波器，开展稀疏训练、移除全零滤波器并微调。
- 比较各阶段的模型大小与识别表现，分析方法的适用前提。
04输出
传感器选择部分将稀疏正则加入训练目标，以学习到的重要性替代逐步搜索，减少所需传感器并保持识别表现，同时比较选择过程的耗时。
模型压缩部分复用同类正则思想，把分组对象从输入通道换成卷积滤波器，通过裁剪与微调进一步减小已有模型。研究输出包括训练方法、对比实验和围绕精度与资源的分析。
两部分形成同一条思路：先识别任务所需的有效结构，再通过训练与评估验证能否移除其余负担。
05任务边界
- 这是硕士研究的方法与实验，不把研究指标直接描述为通用生产服务承诺。
- 传感器数量减少不自动等于硬件成本按比例下降，具体设备改造需要另行评估。
- 模型大小降低也不能直接等同于每种设备上的延迟改善，运行性能需要目标硬件实测。
- 方法迁移到其他数据与网络时，需要重新检查分组方式、稀疏强度和任务表现。
06验收标准
按研究实验的验证口径：
- 用同一数据划分和识别口径比较完整输入、传感器选择和滤波器裁剪后的模型。
- 报告传感器需求、选择耗时与模型大小，说明每项指标对应的实验条件。
- 区分已有压缩模型、传感器选择阶段和进一步裁剪阶段，避免混用基线。
- 检查裁剪后微调的作用，并分析准确率与资源之间的取舍。
这里只呈现方法和验证逻辑，不引入未经验证的跨设备收益。
07迭代
从已有的边缘模型出发，先追问是否需要全部传感器，再把有效的稀疏训练思想推广到网络滤波器。归纳与推广在这里形成闭环：找到可复用结构，然后用新实验检查适用性。
后续若面向具体产品，需要进一步验证输入获取成本、目标硬件时延与现场数据变化，让研究中的压缩收益转化为可使用的系统价值。