Ученые предложили квантовый метод для оптимизации распознавания действий по Wi-Fi

В научном препринте на arXiv представлена архитектура Q-MET — гибридный квантово-классический фреймворк для распознавания активности человека (HAR) с использованием сигналов Wi-Fi. Традиционные системы глубокого обучения для этих задач требуют обновления миллионов параметров, что создает серьезные ограничения по памяти.

Фреймворк Q-MET генерирует параметры для HAR-моделей опосредованно, сокращая количество обучаемых параметров на 90–95% по сравнению с классическим обучением методом обратного распространения ошибки. При этом точность классификации сохраняется или даже превосходит стандартные подходы.

Для оптимизации инференса на ресурсоограниченных устройствах применяется структурированный прунинг. Эксперименты показали достижение разреженности модели на уровне 75–85% при снижении точности менее чем на 2%.