AI और दुनिया की कठिन समस्याएँ · सैद्धांतिक कंप्यूटर विज्ञान · arXiv · 2026-10-22

डेटा इम्प्यूटेशन हेतु क्वांटम-प्रेरित अनुकूलन प्रक्रिया

मूल शीर्षक: Quantum-Inspired Optimization Process for Data Imputation

क्लिनिकल डेटासेट में अनुपलब्ध डेटा डाउनस्ट्रीम इन्फ़रेंस में पक्षपात उत्पन्न कर सकता है, इसलिए लेखकों ने PCA को क्वांटम रोटेशन-आधारित पुनर्निर्माण के साथ संयोजित करने वाले एक क्वांटम-प्रेरित इम्प्यूटेशन फ़्रेमवर्क का प्रस्ताव किया और उसे UCI Pima Indians Diabetes डेटासेट पर मूल्यांकित किया, जहाँ संरचनात्मक शून्यों को अनुपलब्ध माना जाता है। रोटेशन कोण ग्रेडिएंट-मुक्त ऑप्टिमाइज़रों (Simulated Annealing, COBYLA और Differential Evolution) द्वारा चुने जाते हैं, और अनुपलब्ध मानों का पुनर्निर्माण ±2 मानक विचलन जैसी वितरण-सजग सीमाओं के भीतर किया जाता है ताकि केंद्रीय प्रवृत्ति की ओर अवास्तविक संकुचन से बचा जा सके। क्वांटम-प्रेरित वेरिएंट Wasserstein W1 के अंतर्गत आधुनिक इम्प्यूटरों की तुलना में काफ़ी बेहतर वितरण-फ़िडेलिटी प्राप्त करते हैं — सर्वश्रेष्ठ सेटिंग औसत W1 को SoftImpute की तुलना में लगभग 66%, MissForest की तुलना में 84%, VAE की तुलना में 90% और Mean imputation की तुलना में 60% कम कर देती है — साथ ही वैरिएंस और मानक विचलन को प्रेक्षित डेटा के अधिक निकट बनाए रखती है।

मूल लेख पढ़ें ↗

सभी आइटम →