智能AI
morning
用于基于 Wi-Fi 的参数密集型人类活动识别的量子辅助记忆高效训练
摘要
arXiv:2609.04271v1 Announce Type: new Abstract: Wi-Fi-based human activity recognition (HAR) has become an important part of integrated sensing and communications, paving the way for a range of contex...
the
training
and
HAR
memory
inference
MET
based
for
both
2026-09-07
1 阅读
约1分钟阅读
To Truong An, Jie Zhang, Guolin Yin, Junqing Zhang, Yanjiao Li, Trung Q. Duong, Simon L. Cotton
字号:
arXiv:2609.04271v1 公告类型：新 摘要：基于 Wi-Fi 的人类活动识别 (HAR) 已成为集成传感和通信的重要组成部分，为一系列上下文感知服务铺平了道路。然而，大多数现有的基于 Wi-Fi 的 HAR 系统都依赖于深度学习 (DL) 模型，这些模型在训练和推理方面都是计算和内存密集型的，这给实际部署带来了重大挑战。传统的训练需要同时更新数百万个参数，导致内存消耗过高。在本文中，我们提出了一种新颖的量子辅助记忆高效训练框架（Q-MET），旨在提高训练和推理的效率。 Q-MET 利用混合量子经典神经网络间接生成 HAR 模型的参数，与直接优化相比，显着减少了可训练参数的数量。为了进一步支持资源受限设备上的部署，我们在训练阶段集成了结构化修剪。实验结果表明，与传统的基于反向传播的深度学习训练相比，Q-MET 可训练参数减少了 90% 至 95%，同时保持甚至超过了经典分类精度。此外，Q-MET 通过结构化剪枝支持轻量级推理，实现 75% 至 85% 的模型稀疏度，分类精度损失不到 2%。据我们所知，这项工作代表了第一个同时解决 HAR 系统训练和推理阶段内存效率低下问题的量子辅助方法。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱