AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-22

ڈیٹا امپیوٹیشن کے لیے کوانٹم سے متاثر آپٹیمائزیشن کا عمل

اصل عنوان: Quantum-Inspired Optimization Process for Data Imputation

غائب ڈیٹا طبی ڈیٹا سیٹس میں بعد کے استنباط کو متعصب بنا سکتا ہے، اس لیے مصنفین PCA کو کوانٹم روٹیشن پر مبنی تعمیرِ نو کے ساتھ ملانے والا ایک کوانٹم سے متاثر امپیوٹیشن فریم ورک تجویز کرتے ہیں اور اس کا جائزہ UCI Pima Indians Diabetes ڈیٹا سیٹ پر لیتے ہیں، جہاں ساختی صفر کو غائب سمجھا جاتا ہے۔ روٹیشن زاویوں کا انتخاب بغیر گریڈینٹ کے آپٹیمائزرز (Simulated Annealing، COBYLA، اور Differential Evolution) کرتے ہیں، اور غائب اقدار کو ±2 معیاری انحرافات جیسی تقسیم سے آگاہ حدود کے تحت دوبارہ تعمیر کیا جاتا ہے تاکہ مرکزی رجحان کی جانب غیر حقیقت پسندانہ سکڑاؤ سے بچا جا سکے۔ کوانٹم سے متاثر تغیرات Wasserstein W1 کے تحت جدید امپیوٹرز کے مقابلے میں کافی بہتر تقسیمی وفاداری حاصل کرتے ہیں — بہترین ترتیب اوسط W1 کو SoftImpute کے مقابلے میں تقریباً 66%، MissForest کے مقابلے میں 84%، VAE کے مقابلے میں 90%، اور Mean امپیوٹیشن کے مقابلے میں 60% کم کر دیتی ہے — جبکہ تغیر اور معیاری انحراف کو مشاہدہ شدہ ڈیٹا کے زیادہ قریب برقرار رکھتی ہے۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →