近年, 大規模言語モデル(LLM)などの深層学習モデルが実用化されているが, 層数に比例して学習時間が増加する問題がある. 一方,自己生成ニューラル木(SGNT)に基づく複合分類システム(MCS)の学習時間は短い. 我々はニューラルネットワークアンサンブルを効率的に分類する新たな剪定手法を提案し, このモデルを自己組織化ニューラル木立(SONG)と名付けた. 本研究では, エッジコンピュータの一つであるRaspberry Pi 3上で, 剪定MCS と非剪定MCS, C4.5ベースのMCS, k近傍法を比較し, SONG の有効性を比較検討する.