ИИ и сложнейшие проблемы мира · Теоретическая информатика · arXiv · 2026-10-22
Квантово-вдохновлённый процесс оптимизации для импутации данных
Оригинальное название: Quantum-Inspired Optimization Process for Data Imputation
Пропущенные данные могут искажать последующие выводы в клинических наборах данных, поэтому авторы предлагают квантово-вдохновленный фреймворк импутации, сочетающий PCA с реконструкцией на основе квантовых вращений, и оценивают его на наборе данных UCI Pima Indians Diabetes, где структурные нули считаются пропущенными. Углы вращений подбираются безградиентными оптимизаторами (Simulated Annealing, COBYLA и Differential Evolution), а пропущенные значения реконструируются с учетом границ, учитывающих распределение, например ±2 стандартных отклонения, чтобы избежать нереалистичного стягивания к центральной тенденции. Квантово-вдохновленные варианты достигают существенно более высокой точности воспроизведения распределения по метрике Вассерштейна W1, чем современные методы импутации, — лучшая конфигурация снижает средний W1 примерно на 66% по сравнению с SoftImpute, на 84% по сравнению с MissForest, на 90% по сравнению с VAE и на 60% по сравнению с импутацией средним, — сохраняя дисперсию и стандартное отклонение ближе к наблюдаемым данным.