양자 보조 메모리 효율적 훈련 프레임워크(Q-MET) 제안

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

Wi-Fi 기반 인간 활동 인식(HAR) 시스템은 기존의 딥러닝 모델이 훈련과 추론에서 메모리와 계산 자원을 많이 소모하여 실제 배치에 어려움이 있다. 본 논문에서는 훈련과 추론의 효율성을 개선하기 위해 양자 보조 메모리 효율적 훈련 프레임워크(Q-MET)를 제안한다. Q-MET는 하이브리드 양자 고전 신경망을 활용하여 HAR 모델의 파라미터 수를 줄이며, 기존의 역전파 기반 훈련에 비해 90%에서 95%까지 훈련 가능한 파라미터 수를 감소시킨다. 또한, 구조적 가지치기를 통해 75%에서 85%의 모델 희소성을 달성하면서도 분류 정확도의 손실을 2% 미만으로 유지한다.