arXiv cs.LGは2026年9月2日(現地時間)、Wi-Fiベースの人間活動認識（HAR）モデルの訓練と推論における効率を改善する新しいフレームワーク「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)」に関する論文を発表しました。これは、従来の深層学習（DL）モデルが抱える計算量とメモリ消費量の課題に対応し、実世界での導入を容易にすることを目的としています。
Wi-Fiベースの人間活動認識（HAR）は、統合センシングと通信（integrated sensing and communications）の重要な要素として、多様な状況認識型サービス（context-aware services）の基盤を築いています。しかし、既存のWi-FiベースHARシステムの多くは、深層学習（DL）モデルに依存しており、訓練と推論の両方で多大な計算資源とメモリを消費することが、実用的な展開における大きな課題となっていました。
従来の訓練手法では、数百万に及ぶパラメーター（parameters）を同時に更新する必要があり、結果として莫大なメモリ消費が発生します。この課題に対し、本研究は訓練と推論の効率を向上させることを目指し、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)を提案しました。Q-METは、ハイブリッド量子古典ニューラルネットワーク（hybrid quantum classical neural network）を利用し、HARモデルのパラメーターを間接的に生成することで、直接最適化と比較して訓練可能なパラメーター数を大幅に削減します。
さらに、リソースに制約のあるデバイスへの展開を支援するため、Q-METは訓練フェーズ中に構造化プルーニング（structured pruning）を統合しています。実験結果によると、Q-METは従来のバックプロパゲーションベースのDL訓練と比較して、訓練可能なパラメーター数を90%から95%削減しつつ、古典的な分類精度を維持、または向上させることが示されました。
Q-METはまた、構造化プルーニングを通じて軽量な推論をサポートします。これにより、分類精度が2%未満の低下で、75%から85%のモデルスパースティ（model sparsity）を達成します。これは、HARシステムの訓練と推論の両段階におけるメモリ非効率性を同時に解決する初の量子支援型アプローチと位置付けられています。
参考: arXiv cs.LG (アーカイブ) — 2026年9月7日 13:00 (JST)