La IA y los problemas difíciles del mundo · Informática teórica · arXiv · 2026-10-22
Proceso de optimización de inspiración cuántica para la imputación de datos
Título original: Quantum-Inspired Optimization Process for Data Imputation
Los datos faltantes pueden sesgar la inferencia posterior en conjuntos de datos clínicos, por lo que los autores proponen un marco de imputación de inspiración cuántica que combina PCA con reconstrucción basada en rotaciones cuánticas y lo evalúan en el conjunto de datos UCI Pima Indians Diabetes, donde los ceros estructurales se tratan como faltantes. Los ángulos de rotación se seleccionan mediante optimizadores sin gradientes (Simulated Annealing, COBYLA y Differential Evolution), y los valores faltantes se reconstruyen bajo límites conscientes de la distribución, como ±2 desviaciones estándar, para evitar un colapso poco realista hacia la tendencia central. Las variantes de inspiración cuántica logran una fidelidad distribucional sustancialmente mejor bajo Wasserstein W1 que los imputadores modernos — la mejor configuración reduce el W1 promedio en aproximadamente un 66% frente a SoftImpute, un 84% frente a MissForest, un 90% frente a VAE y un 60% frente a la imputación por la media — preservando al mismo tiempo una varianza y una desviación estándar más cercanas a los datos observados.