エッジでの学習はクラウドAIで懸念されるデータ通信やプライバシー問題の有効な解決策となるが、電力や計算資源の制約下で選択可能な学習手法は限られている。一方で決定森は軽量な学習と高い精度からエッジでの利用が期待されるが、分岐に起因する訓練データへの膨大なアクセスは消費電力の面から改善が求められる。本研究では、決定森のメモリアクセスを大幅に軽減したExtraFernsを新たに提案する。提案手法は、特徴次元のランダムな射影と分割を基に決定森を構築し、RandomForestとExtraTreesに比べてメモリアクセスを各4.3%と4.1%に削減した上で、精度低下を各3.0%と1.2%に抑えている。