KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-22
Quanteninspirierter Optimierungsprozess zur Datenimputation
Originaltitel: Quantum-Inspired Optimization Process for Data Imputation
Fehlende Daten können die nachgelagerte Inferenz in klinischen Datensätzen verzerren, daher schlagen die Autoren ein quanteninspiriertes Imputationsframework vor, das PCA mit einer auf Quantenrotation basierenden Rekonstruktion kombiniert, und evaluieren es anhand des UCI-Pima-Indians-Diabetes-Datensatzes, bei dem strukturelle Nullen als fehlend behandelt werden. Die Rotationswinkel werden mit gradientenfreien Optimierern (Simulated Annealing, COBYLA und Differential Evolution) ausgewählt, und fehlende Werte werden unter verteilungsbewussten Schranken wie ±2 Standardabweichungen rekonstruiert, um einen unrealistischen Kollaps hin zur zentralen Tendenz zu vermeiden. Quanteninspirierte Varianten erzielen unter Wasserstein W1 eine deutlich bessere Verteilungstreue als moderne Imputer — die beste Einstellung senkt das durchschnittliche W1 um etwa 66% gegenüber SoftImpute, 84% gegenüber MissForest, 90% gegenüber VAE und 60% gegenüber Mittelwert-Imputation — und bewahren dabei Varianz und Standardabweichung näher an den beobachteten Daten.