論文の概要: Indoor Occupancy Classification using a Compact Hybrid Quantum-Classical Model Enabled by a Physics-Informed Radar Digital Twin
- arxiv url: http://arxiv.org/abs/2601.11929v1
- Date: Sat, 17 Jan 2026 06:27:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.381657
- Title: Indoor Occupancy Classification using a Compact Hybrid Quantum-Classical Model Enabled by a Physics-Informed Radar Digital Twin
- Title（参考訳）: 物理インフォームドレーダディジタル双晶による小型ハイブリッド量子古典モデルを用いた室内職業分類
- Authors: Sebastian Ratto, Ahmed N. Sayed, Neda Rojhani, Arien P. Sligar, Jose R. Rosas-Bustos, Saasha Joshi, Luke C. G. Govia, Omar M. Ramahi, George Shaker,
- Abstract要約: この研究は、プライバシー保護レーダー占有センシングにおけるハイブリッド量子モデルのための厳密なベースラインを確立する。
2ビットのHQNNは60GHzのデジタルツインと実際のレーダー計測を用いて畳み込みニューラルネットワーク(CNN)に対してベンチマークされる。
クリーンな条件下では、HQNNは最大170倍のパラメータ(0.066M)で高い精度(99.7%合成、97.0%実数)を達成する。
- 参考スコア（独自算出の注目度）: 0.7465215281872721
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indoor occupancy classification enables privacy-preserving monitoring in settings such as remote elder care, where presence information helps triage alarms without cameras or wearables. Radar suits this role by sensing motion through occlusions and in darkness. Modern deep-learning pipelines are the standard for interpreting radar returns effectively; however, they are often parameter-heavy and sensitive at low signal-to-noise ratios (SNR), motivating compact alternatives like Hybrid Quantum Neural Networks (HQNNs). A two-qubit HQNN is benchmarked against convolutional neural networks (CNNs) using a physics-informed 60GHz digital twin and real radar measurements under matched training protocols. In clean conditions, the HQNN achieves high accuracy (99.7% synthetic; 97.0% real) with up to 170x fewer parameters (0.066M). Its parameter efficiency is shown to be structural, as an ablation of the parameterized quantum circuit (PQC) causes sharp performance drops on real data (to 68.5% and 31.5% for the control heads). A domain-dependent sensitivity emerges under additive-noise evaluation, where the HQNN begins recovery earlier in synthetic data while CNNs recover more steeply and peak higher on real measurements. In label-fraction ablations, CNNs prove more sample-efficient on real Range-Doppler Maps (RDMs), with the performance gap being most pronounced (at 50% labels, BA 0.89-0.99 vs. HQNN 0.75). On synthetic data, this gap narrows significantly, largely vanishing by the 50% label mark. Overall, the HQNN's value lies in parameter efficiency and a compact inductive bias that shapes its distinct sensitivity profile; this work establishes a rigorous baseline for hybrid quantum models in privacy-preserving radar occupancy sensing.
- Abstract（参考訳）: 屋内の職業分類は、リモートの高齢者ケアのような設定でのプライバシー保護モニタリングを可能にし、カメラやウェアラブルを使わずにアラームをトリアージするのに役立つ。
レーダーは、オクルージョンを通して、そして暗闇の中での動きを感知することで、この役割に適合する。
現代のディープラーニングパイプラインは、レーダーリターンを効果的に解釈する標準であるが、しばしばパラメータ重で低信号-雑音比(SNR)に敏感であり、Hybrid Quantum Neural Networks (HQNNs)のようなコンパクトな代替手段を動機付けている。
2ビットのHQNNは、物理インフォームされた60GHzデジタルツインと、マッチしたトレーニングプロトコルの下での実際のレーダー計測を用いて、畳み込みニューラルネットワーク(CNN)に対してベンチマークされる。
クリーンな条件下では、HQNNは最大170倍のパラメータ(0.066M)で高い精度(99.7%合成、97.0%実数)を達成する。
そのパラメータ効率は、パラメータ化量子回路(PQC)のアブレーションによって実際のデータ(制御ヘッドは68.5%、31.5%)に急激な性能低下を引き起こすため、構造的であることが示されている。
追加ノイズ評価ではドメイン依存感度が出現し、HQNNは合成データにおいて早期に回復を開始し、CNNはより急激に回復し、実際の測定ではピークが上昇する。
ラベル・フレクションの短縮において、CNNは実際のレンジ・ドップラー・マップ(RDM)でよりサンプリング効率が良く、性能の差が最も顕著である(BA 0.89-0.99 vs. HQNN 0.75)。
合成データでは、このギャップは50%のラベルマークによって大幅に狭まり、ほとんど消滅する。
全体として、HQNNの価値はパラメータ効率と、その異なる感度プロファイルを形成するコンパクトな帰納バイアスにある。
関連論文リスト
- Exploring Spiking Neural Networks for Binary Classification in Multivariate Time Series at the Edge [0.9282545044546486]
多変量時系列のバイナリ分類を行うために、スパイキングニューラルネットワーク(SNN)を訓練するための一般的なフレームワークを提案する。
ガンマ線スペクトルデータにおける低信号-雑音比放射源の検出に応用する。
その結果、49個の神経細胞と66個のシナプスを持つSNNは、51.8%の真の正の速度(TPR)を1/hrの誤報率で達成した。
マイクロカスピアンニューロモルフィックプラットフォーム上のハードウェア展開は、2mWの消費電力と20.2msのレイテンシを示す。
論文 参考訳（メタデータ） (2025-10-23T20:52:11Z) - Spatiotemporal Radar Gesture Recognition with Hybrid Spiking Neural Networks: Balancing Accuracy and Efficiency [3.6205625120193354]
本稿では,レーダに基づく人間活動認識(HAR)におけるスパイキングニューラルネットワーク(SNN)の利用について紹介する。
我々の新しいハイブリッドアーキテクチャは、空間的特徴抽出のための畳み込みモジュールと時間的処理のためのLeaky Integrate-and-Fireニューロンを組み合わせる。
レーダベースHARの効率的かつ競争力のあるソリューションとしてSNNを確立し, 精度, レイテンシ, メモリ, エネルギーの観点からスパイキング計算のトレードオフを実証する。
論文 参考訳（メタデータ） (2025-09-27T13:31:11Z) - Integer Binary-Range Alignment Neuron for Spiking Neural Networks [30.778583483869426]
スパイキングニューラルネットワーク(SNN)は、脳に似た計算とエネルギー効率で有名だが、表現能力の制限による画像分類やオブジェクト検出といったタスクでは、人工知能ニューラルネットワーク(ANN)よりも遅れている。
スパイキングニューロンの情報表現能力を指数関数的に拡張する新しいスパイキングニューロンBinary-Range Alignment Leaky Integrate-and-Fireを提案する。
論文 参考訳（メタデータ） (2025-06-06T02:05:33Z) - Advanced technology in railway track monitoring using the GPR Technique: A Review [41.94295877935867]
グラウンド・ペネトレーション・レーダー (GPR) は、鉄道線路の監視に使用できる電磁探査技術である。
バラストポケット、ファウルドバラスト、排水不良、下級集落などの欠陥を検出することができる。
本稿では,実世界のGPRデータのキャリブレーションに合成モデリングを用いる手法について述べる。
ディープラーニング技術、特にCNN(Convolutional Neural Networks)やRNN(Recurrent Neural Networks)も、GPRイメージの欠陥に関連するパターンを認識する上での有効性を強調している。
論文 参考訳（メタデータ） (2025-01-19T18:01:39Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - SAN: Hypothesizing Long-Term Synaptic Development and Neural Engram Mechanism in Scalable Model's Parameter-Efficient Fine-Tuning [39.04674956382538]
我々は、事前学習パラメータ空間の洗練された解析により、FFT(Full Fine-Tuning)による性能ギャップを橋渡しした。
本稿では,前方から後方へのスケーリング成分を分解するSynapse and Neuron(SAN)を提案する。
提案手法は,神経伝達物質放出によるシナプス発生を制御できる長期増強/抑うつ(Neural/D)現象に理論的に基礎を置いている。
論文 参考訳（メタデータ） (2024-08-24T03:27:29Z) - DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs [10.215216950059874]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。
本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。
提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文 参考訳（メタデータ） (2024-03-05T04:29:31Z) - Hybrid Quantum Neural Network Advantage for Radar-Based Drone Detection
and Classification in Low Signal-to-Noise Ratio [0.0]
本稿では,レーダを用いた検出と分類のためのハイブリッド量子ニューラルネットワーク(HQNN)と,それに匹敵する古典的畳み込みニューラルネットワーク(CNN)の性能について検討する。
信号対雑音比(SNR)が高い場合、CNNは検出と分類のためにHQNNより優れることがわかった。
論文 参考訳（メタデータ） (2024-03-04T14:26:52Z) - Resource-efficient Deep Neural Networks for Automotive Radar
Interference Mitigation [13.310007106264747]
CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。
本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
実値ベースラインに比べて約80%のメモリ削減を実現している。
論文 参考訳（メタデータ） (2022-01-25T14:41:08Z) - Free Hyperbolic Neural Networks with Limited Radii [32.42488915688723]
双曲型空間で直接動作する双曲型ニューラルネットワーク(HNN)は、双曲型表現の可能性をさらに活用するために最近提案されている。
HNNは、暗黙の階層構造を持つデータセット上でのユークリッドニューラルネットワーク(ENN)よりも優れたパフォーマンスを実現しているが、CIFARやImageNetのような標準分類ベンチマークでは依然としてパフォーマンスが低い。
本稿では、まず、標準認識データセットにおけるHNNの劣悪な性能が、悪名高い失効勾配問題に起因することを示す実証的研究を行う。
我々の分析は、常に双曲的埋め込みを規則化する、Feature Clippingと呼ばれるシンプルだが効果的なソリューションをもたらす。
論文 参考訳（メタデータ） (2021-07-23T22:10:16Z) - Neural Network Virtual Sensors for Fuel Injection Quantities with
Provable Performance Specifications [71.1911136637719]
証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。
本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
論文 参考訳（メタデータ） (2020-06-30T23:33:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。