基于量子技术的内存高效训练方法，用于参数密集型Wi-Fi基础人体活动识别
本文提出了一种新型量子辅助记忆高效训练框架（Q-MET），旨在提升基于 Wi-Fi 的人体活动识别（HAR）在训练和推理阶段的效率。该框架利用混合量子经典神经网络间接生成 HAR 模型参数，显著减少可训练参数数量，并集成结构化剪枝以支持资源受限设备的部署。实验结果表明，与常规反向传播深度学习训练相比，Q-MET 的可训练参数减少了 90% 至 95%，同时保持或超越分类精度；通过结构化剪枝实现 75% 至 85% 的模型稀疏度，且分类精度损失小于 2%。据作者所知，这是首个同时解决 HAR 系统训练和推理阶段记忆效率问题的量子辅助方法。