用于人类活动识别的联邦量子核长短期记忆网络
量子物理
2025-08-12 v2
摘要
在这项工作中，我们引入了联邦量子核长短期记忆网络（Fed-QK-LSTM）框架，将量子核方法和长短期记忆网络集成到联邦学习中。在 Fed-QK-LSTM 框架内，我们增强了隐私敏感环境中的人类活动识别（HAR），并利用量子计算构建分布式学习系统。每个客户端节点上的 DeepConv-QK-LSTM 架构采用卷积层进行高效的局部模式捕获，这种设计使得能够使用一个浅层的 QK-LSTM 来建模 HAR 数据中的长程关系。量子核方法使模型能够以更少的可训练参数捕捉多变量时间序列数据中复杂的非线性关系。在 RealWorld HAR 数据集上的实验结果表明，Fed-QK-LSTM 框架在不同的客户端设置和本地训练轮次下均能达到有竞争力的准确率。我们展示了 Fed-QK-LSTM 框架在现实世界应用中，特别是在边缘计算环境和稀缺量子设备上，实现鲁棒且保护隐私的人类活动识别的潜力。
引用
@article{arxiv.2508.06078,
title = {Federated Quantum Kernel-Based Long Short-term Memory for Human Activity Recognition},
author = {Yu-Chao Hsu and Jiun-Cheng Jiang and Chun-Hua Lin and Wei-Ting Chen and Kuo-Chung Peng and Prayag Tiwari and Samuel Yen-Chi Chen and En-Jui Kuo},
journal= {arXiv preprint arXiv:2508.06078},
year = {2025}
}