IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-22
Processo de Otimização de Inspiração Quântica para Imputação de Dados
Título original: Quantum-Inspired Optimization Process for Data Imputation
Dados ausentes podem enviesar a inferência downstream em conjuntos de dados clínicos, por isso os autores propõem uma estrutura de imputação inspirada na computação quântica que combina PCA com reconstrução baseada em rotações quânticas e a avaliam no conjunto de dados UCI Pima Indians Diabetes, em que zeros estruturais são tratados como ausentes. Os ângulos de rotação são selecionados por otimizadores livres de gradiente (Simulated Annealing, COBYLA e Differential Evolution), e os valores ausentes são reconstruídos sob limites conscientes da distribuição, como ±2 desvios padrão, para evitar um colapso irrealista em direção à tendência central. As variantes inspiradas na computação quântica alcançam fidelidade distribucional substancialmente melhor sob Wasserstein W1 do que imputadores modernos — a melhor configuração reduz o W1 médio em cerca de 66% em relação ao SoftImpute, 84% em relação ao MissForest, 90% em relação ao VAE e 60% em relação à imputação pela média — preservando variância e desvio padrão mais próximos dos dados observados.