AI与世界难题 · 理论计算机科学 · arXiv · 2026-10-22
用于数据插补的量子启发优化流程
原标题: Quantum-Inspired Optimization Process for Data Imputation
缺失数据会使临床数据集中的下游推断产生偏差，因此作者提出了一种将 PCA 与基于量子旋转的重建相结合的量子启发插补框架，并在 UCI Pima Indians Diabetes 数据集上对其进行评估，其中结构性零值被视为缺失值。旋转角度由无梯度优化器 (模拟退火、COBYLA 和差分进化) 选择，缺失值在诸如 ±2 个标准差的分布感知边界下重建，以避免不切实际地向中心趋势坍缩。量子启发变体在 Wasserstein W1 下取得了显著更优的分布保真度——最佳设置相比 SoftImpute 将平均 W1 降低约 66%，相比 MissForest 降低 84%，相比 VAE 降低 90%，相比均值插补降低 60%——同时使方差和标准差更接近观测数据。