Quantum-Assisted Memory-Efficient Training for Parameter-Intensive Wi-Fi-Based Human Activity Recognition

doi:10.1109/tnse.2026.3725484

Quantum-Assisted Memory-Efficient Training for Parameter-Intensive Wi-Fi-Based Human Activity Recognition

2026-08-19

0

PRE

AI

DOI：10.1109/tnse.2026.3725484

原文链接

原文求助

摘要

En 中文

基于Wi-Fi的人类活动识别（HAR）已成为集成感知与通信的重要组成部分，为一系列情境感知服务铺平了道路。然而，大多数现有的基于Wi-Fi的HAR系统依赖于在训练和推理阶段计算和内存密集的深度学习（DL）模型，这对实际部署构成了重大挑战。传统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内存高效训练框架（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，与直接优化相比显著减少了可训练参数数量。为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剪枝。实验结果表明，与传统的基于反向传播的DL训练相比，Q-MET实现了90%至95%的可训练参数减少，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，实现了75%至85%的模型稀疏度，且分类精度损失低于2%。据我们所知，这项工作代表了首次量子辅助方法，同时解决了HAR系统中训练和推理阶段的内存低效问题。

Keyword:

Human activity recognition

model compression

quantum machine learning

training optimization

Wi-Fi sensing

Quantum-Assisted Memory-Efficient Training for Parameter-Intensive Wi-Fi-Based Human Activity Recognition

摘要

期刊

机构

引用论文