論文の概要: Quantum-Assisted Memory-Efficient Training for Parameter-Intensive Wi-Fi-Based Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2609.04271v1
• Date: Wed, 02 Sep 2026 19:31:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.758641
• Title: Quantum-Assisted Memory-Efficient Training for Parameter-Intensive Wi-Fi-Based Human Activity Recognition
• Title（参考訳）: パラメータ集中型Wi-Fiに基づく人間活動認識のための量子支援型メモリ効率トレーニング
• Abstract要約: Wi-Fiに基づく人間活動認識(HAR)は、統合されたセンシングとコミュニケーションの重要な部分となっている。 既存のHARシステムの多くは、ディープラーニング(DL)モデルに依存しており、トレーニングと推論の両方にメモリが集中している。 本稿では,量子支援型メモリ効率トレーニングフレームワーク(Q-MET)を提案する。
• 参考スコア（独自算出の注目度）: 25.438631897485866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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 context-aware services. However, most existing Wi-Fi-based HAR systems rely on deep learning (DL) models that are computationally and memory intensive in both training and inference, which poses significant challenges for real-world deployment. Conventional training requires simultaneous updates of millions of parameters, leading to prohibitive memory consumption. In this paper, we propose a novel quantum-assisted memory-efficient training framework (Q-MET) designed to improve efficiency in both training and inference. Q-MET utilizes a hybrid quantum classical neural network to indirectly generate parameters for HAR models, significantly reducing the trainable parameter count compared to direct optimization. To further support the deployment on resource-constrained devices, we integrate structured pruning during the training phase. Experimental results demonstrate that Q-MET achieves a 90% to 95% reduction in trainable parameters compared with conventional backpropagation-based DL training while maintaining or even exceeding classical classification accuracy. Additionally, Q-MET supports lightweight inference through structured pruning, achieving 75% to 85% model sparsity with less than 2% loss in classification accuracy. To the best of our knowledge, this work represents the first quantum-assisted approach to simultaneously tackle memory inefficiencies in both the training and inference stages of HAR systems.
• Abstract（参考訳）: Wi-Fiベースのヒューマンアクティビティ認識(HAR)は、さまざまなコンテキスト認識サービスへの道を開いた、統合されたセンシングとコミュニケーションの重要な部分となっている。 しかし、既存のWi-FiベースのHARシステムの多くは、訓練と推論の両方で計算的かつメモリ集約的なディープラーニング(DL)モデルに依存しており、実際のデプロイメントにおいて大きな課題を生じさせている。 従来のトレーニングでは、数百万のパラメータを同時に更新する必要があるため、メモリ消費が禁止される。 本稿では,量子支援型メモリ効率トレーニングフレームワーク(Q-MET)を提案する。 Q-METはハイブリッド量子古典ニューラルネットワークを用いてHARモデルのパラメータを間接的に生成する。 資源制約されたデバイスへの展開をさらに支援するため、トレーニング期間中に構造化プルーニングを統合する。 実験の結果,Q-METは古典的分類精度を維持しつつ,従来の逆伝播型DLトレーニングと比較して,トレーニング可能なパラメータの90%から95%の削減を実現していることがわかった。 さらに、Q-METは構造化プルーニングによる軽量推論をサポートし、75%から85%のモデル間隔を達成でき、分類精度は2%未満である。 我々の知る限り、この研究はHARシステムのトレーニング段階と推論段階の両方において、メモリ非効率を同時に取り組むための最初の量子支援手法である。

関連論文リスト

• Memory-Efficient Transfer Learning with Fading Side Networks via Masked Dual Path Distillation [41.8703974624689]
  そこで我々は,Masked Dual Path Distillation (MDPD) と呼ばれる新しい手法を提案する。 MDPDはパラメータとメモリ消費を同等に保ちながら、推論を少なくとも25.2%高速化することを示す。 提案手法はSOTA手法と比較して精度を著しく向上させる。
  論文  参考訳（メタデータ） (2026-04-10T08:16:59Z)
• Ring-lite: Scalable Reasoning via C3PO-Stabilized Reinforcement Learning for LLMs [51.21041884010009]
  Ring-liteは、強化学習(RL)により最適化されたMixture-of-Experts(MoE)ベースの大規模言語モデルである 我々のアプローチは、挑戦的なベンチマーク上でのSOTA(State-of-the-art)の小規模推論モデルの性能と一致する。
  論文  参考訳（メタデータ） (2025-06-17T17:12:34Z)
• Scalable Parameter and Memory Efficient Pretraining for LLM: Recent Algorithmic Advances and Benchmarking [26.80161478380058]
  大規模言語モデル(LLM)は前例のない速度で成長し、最近のモデルには数兆のパラメータを含むものもある。 この成長には、特にトレーニングや微調整に必要なメモリと計算資源に関して、かなりの計算上の課題が伴う。 パラメーターまたはメモリ効率のよいメソッドは、事前トレーニングの効率を高めつつ、フルモデルトレーニングに匹敵するパフォーマンスを達成することができるだろうか?
  論文  参考訳（メタデータ） (2025-05-28T22:51:43Z)
• S2A: A Unified Framework for Parameter and Memory Efficient Transfer Learning [8.602744958104969]
  本研究では,微調整時の活性化のメモリフットプリントを低減するため,新しいPETLフレームワークであるStructure to Activation (S2A)を提案する。 具体的には,1)パラメトリックモデル構造におけるアクティベーションモジュールの設計(バイアス,プロンプト,サイドモジュール)からなり,パラメータやアクティベーションメモリの大幅な削減を実現している。 提案手法は既存のPETL技術よりも優れており,GPUメモリフットプリントの4倍の削減を実現しているだけでなく,可変パラメータの少ない精度で競合性能を示す。
  論文  参考訳（メタデータ） (2025-03-11T08:10:03Z)
• WECAR: An End-Edge Collaborative Inference and Training Framework for WiFi-Based Continuous Human Activity Recognition [23.374051991346633]
  We propose WECAR, a end-edge collaboration inference and training framework for WiFi-based continuous HAR。 We implement WECAR based on heterogeneous hardware using Jetson Nano as edge device and the ESP32 as end device。 3つの公開WiFiデータセットを対象とした実験により、WECARは性能とパラメータ効率においていくつかの最先端の手法より優れるだけでなく、パラメータカウント後最適化の大幅な削減を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-03-09T03:40:27Z)
• Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
  我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。 分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。 SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-12T17:35:36Z)
• SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning [63.93193829913252]
  本稿では,リソース制限シナリオに対するSHERLと呼ばれる革新的なMETL戦略を提案する。 初期経路では、中間出力は反冗長動作によって統合される。 遅延ルートでは、最小限の遅延事前トレーニングされたレイヤを利用することで、メモリオーバーヘッドのピーク需要を軽減できる。
  論文  参考訳（メタデータ） (2024-07-10T10:22:35Z)
• Sparse Spectral Training and Inference on Euclidean and Hyperbolic Neural Networks [9.96381061452642]
  Low-Rank Adaptation (LoRA) と ReLoRA は低ランク構造で課題に直面している。 予備学習におけるメモリ使用量の最適化を目的としたスパーススペクトルトレーニング(SST)を提案する。 SSTは、他の低ランクメソッドとフルランクトレーニングの間の難易度ギャップを97.4%削減する。
  論文  参考訳（メタデータ） (2024-05-24T11:59:41Z)
• Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
  一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。 本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。 事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
  論文  参考訳（メタデータ） (2024-04-01T00:21:11Z)
• Time-, Memory- and Parameter-Efficient Visual Adaptation [75.28557015773217]
  バックボーンを介して勾配をバックプロパゲートしない適応法を提案する。 凍結した、事前訓練されたバックボーンの機能を利用する軽量ネットワークを並列に設計することで、これを実現する。
  論文  参考訳（メタデータ） (2024-02-05T10:55:47Z)
• Contextual Squeeze-and-Excitation for Efficient Few-Shot Image Classification [57.36281142038042]
  本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。 また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-06-20T15:25:08Z)
• Online Convolutional Re-parameterization [51.97831675242173]
  2段階のパイプラインであるオンライン畳み込み再パラメータ化(OREPA)は、複雑なトレーニング時間ブロックを単一の畳み込みに絞ることで、巨大なトレーニングオーバーヘッドを低減することを目的としている。 最先端のre-paramモデルと比較して、OREPAはトレーニング時間のメモリコストを約70%削減し、トレーニング速度を約2倍向上させることができる。 また、オブジェクト検出とセマンティックセグメンテーションの実験を行い、下流タスクに一貫した改善を示す。
  論文  参考訳（メタデータ） (2022-04-02T09:50:19Z)

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。