面向物联网环境的量子增强变压器：鲁棒声学场景分类
音频与语音处理
2025-05-20 v1 人工智能
机器学习
性能
声音
摘要
物联网设备配备声学传感器的普及， necessitates 在噪声和数据受限的环境中具备鲁棒的声学场景分类（ASC）能力。传统机器学习方法在此类条件下往往难以有效泛化。为此，我们引入 Q-ASC——一种新型量子灵感声学分类器，利用量子灵感变压器的优势。通过集成量子概念如叠加和纠缠，Q-ASC 在特征学习和抗噪能力方面超越经典模型。此外，我们引入基于量子变分自编码器（QVAE）的数据增强技术，以缓解物联网部署中有限标注数据的问题。在Tampere University of Technology（TUT）声学场景2016基准数据集上的广泛评估表明，Q-ASC 在挑战性条件下实现了68.3%至88.5%的优异准确率，最佳情况下显著优于最先进的方法超过5%。该研究为在智能家居、工业监控和环境监视等场景下，甚至在恶劣声学环境中部署智能声学感知系统铺平了道路。
引用
@article{arxiv.2501.09394,
title = {Quantum-Enhanced Transformers for Robust Acoustic Scene Classification in IoT Environments},
author = {Minh K. Quan and Mayuri Wijayasundara and Sujeeva Setunge and Pubudu N. Pathirana},
journal= {arXiv preprint arXiv:2501.09394},
year = {2025}
}
备注
5 pages, 4 figures