arXiv cs.AI· Nishikanta Mohanty, Bikash K. Behera, Badshah Mukherjee, Pravat Dash, Christopher Ferrie·· 12 小时前AI 评分18
量子启发优化流程用于数据插补，在 UCI 糖尿病数据集上将 Wasserstein W1 较 VAE 降低约 90%
Quantum-Inspired Optimization Process for Data Imputation
AI 导读
研究者提出一种量子启发式数据插补框架，在 UCI Pima Indians Diabetes 数据集上结合 PCA 与量子旋转重建，旋转角由 Simulated Annealing、COBYLA、Differential Evolution 等无梯度优化器选取。
正文 · AI 翻译
摘要：数据插补是一个关键的预处理步骤，尤其是在缺失可能使下游推断产生偏差的临床数据集中。我们提出了一种受量子启发的插补框架，并在 UCI Pima Indians Diabetes 数据集上对其进行评估，该数据集中若干生理变量包含被视为缺失的结构性零值。该方法将主成分分析（PCA）与基于量子旋转的重建相结合，其中旋转角度通过无梯度优化器（模拟退火、COBYLA 和差分进化）选择。为增强稳健性，我们保留每种方法中排名前三的优化器解，并在分布感知边界（例如 $\pm 2$ 个标准差）下重建缺失值，避免向集中趋势出现不切实际的坍缩。我们还与以下方法进行了基准比较：(i) 经典基线（均值、KNN、MICE、决策树），(ii) 现代矩阵/机器学习插补器（SoftImpute、MissForest、VAE），以及 (iii) 旋转/PCA 对照（随机正交旋转和 bootstrap PCA）。在所评估的特征上，受量子启发的变体在 Wasserstein W1 下相对于现代基线实现了显著改善的分布保真度（例如，最佳量子设置将平均 W1 较 SoftImpute 降低约 66%，较 MissForest 降低约 84%，较 VAE 降低约 90%；较均值插补降低约 60%），同时与强经典/对照配置保持竞争力。受量子启发的方法更好地保留了离散度，其方差/标准差比更接近观测数据，优于（SoftImpute、MissForest 和 VAE），且平均而言通常优于（均值、KNN、MICE 和决策树）。总体而言，结果支持将受量子启发、优化引导的旋转作为一种具有统计依据且可扩展的策略，用于医疗保健和通用 AI 流程中的真实插补，其设计可随着未来量子硬件的成熟而映射到该硬件上。
| 学科： | 量子物理（quant-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2505.04841 [quant-ph] |
| （或此版本的 arXiv:2505.04841v3 [quant-ph]） | |
| https://doi.org/10.48550/arXiv.2505.04841 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Nishikanta Mohanty [查看电子邮件]
[v1]
2025年5月7日星期三 22:37:07 UTC（2,235 KB）
[v2]
2025年5月11日星期日 00:20:39 UTC（2,235 KB）
[v3]
2026年10月21日星期三 15:32:28 UTC（3,139 KB）
来源：arXiv cs.AI · arxiv.org