L'IA face aux grands problèmes du monde · Informatique théorique · arXiv · 2026-10-22
Processus d'optimisation d'inspiration quantique pour l'imputation de données
Titre original: Quantum-Inspired Optimization Process for Data Imputation
Les données manquantes peuvent biaiser l'inférence en aval dans les jeux de données cliniques ; les auteurs proposent donc un cadre d'imputation d'inspiration quantique combinant l'ACP à une reconstruction basée sur des rotations quantiques, et l'évaluent sur le jeu de données UCI Pima Indians Diabetes, où les zéros structurels sont traités comme des valeurs manquantes. Les angles de rotation sont sélectionnés par des optimiseurs sans gradient (recuit simulé, COBYLA et évolution différentielle), et les valeurs manquantes sont reconstruites sous des bornes tenant compte de la distribution, telles que ±2 écarts types, afin d'éviter un effondrement irréaliste vers la tendance centrale. Les variantes d'inspiration quantique atteignent une fidélité distributionnelle nettement meilleure selon Wasserstein W1 que les imputeurs modernes — la meilleure configuration réduit le W1 moyen d'environ 66% par rapport à SoftImpute, 84% par rapport à MissForest, 90% par rapport à VAE et 60% par rapport à l'imputation par la moyenne — tout en préservant une variance et un écart type plus proches des données observées.