面向人类活动识别的量子生成对抗网络数据增强与分类优化

摘要

针对人类活动识别中数据不平衡导致的分类器性能退化问题，传统方法如过采样和代价敏感学习虽能缓解类别偏差，但存在过拟合、信息丢失及极端不平衡场景适应性差等缺陷。文章结合量子计算与生成对抗网络，设计了一种联合优化框架。其生成器采用变分量子电路（Variational Quantum Circuit,VQC），通过参数化量子门堆叠，在低参数量下实现高维传感器数据的隐式建模；判别器利用经典神经网络，并引入Wasserstein梯度惩罚策略（WGAN-GP）约束判别器，以提升生成样本的多样性和训练稳定性。基于CASAS家庭活动识别数据集的实验结果表明，量子混合生成器仅需经典模型约13%的参数量即可实现更优的生成效果，改进后的量子生成对抗网络不仅提升了收敛速度，还提升了最终结果的精确度。

关键词

量子生成器 / 经典判别器 / 变分量子电路 / WGAN-GP