AI 與世界的難題 · 理論資訊科學 · arXiv · 2026-10-22
用於資料插補的量子啟發式最佳化流程
原標題: Quantum-Inspired Optimization Process for Data Imputation
遺失資料會使臨床資料集中的下游推論產生偏差,因此作者提出一個結合 PCA 與基於量子旋轉之重建的量子啟發式插補框架,並在 UCI Pima Indians Diabetes 資料集上進行評估,其中結構性零值被視為遺失。旋轉角度由免梯度最佳化器(模擬退火、COBYLA 與差分演化)選取,遺失值則在具分布感知的界限(如 ±2 標準差)下重建,以避免不切實際地向中央趨勢塌縮。量子啟發式變體在 Wasserstein W1 下的分布保真度明顯優於現代插補方法 — 最佳設定相較 SoftImpute 約降低 66% 的平均 W1、相較 MissForest 降低 84%、相較 VAE 降低 90%、相較平均值插補降低 60% — 同時保留的變異數與標準差更接近觀測資料。