通过经典与量子行列式点过程改进临床数据插补
量子物理
2023-12-13 v2
摘要
数据插补是机器学习从业者面临的关键问题，在生命科学领域亦然——临床数据缺失是典型状况，且插补的可靠性至关重要。目前临床数据插补尚无规范方法，广泛使用的算法给下游分类引入方差。本文提出基于行列式点过程的新颖插补方法，增强了如链式方程多元插补(MICE)与MissForest等流行技术。其优势有二：提升插补数据质量，体现为下游分类精度提高；提供确定性且可靠的插补，消除分类结果中的方差。我们通过合成与真实临床数据上的大量插补实验验证了方法优势。我们还应用DPP采样的量子线路开展量子硬件实验，因该类量子算法相对经典算法具有计算优势。我们在最先进的IBM量子处理器上以多达十量子比特的小规模插补任务展示了具竞争力的结果。我们的经典与量子方法通过提供更优且更可靠的插补，提升了临床数据预测建模的有效性与鲁棒性。此类改进在要求高精度的场景(如药物临床试验)中可带来显著价值，我们的方法能提供更高的预测置信度。
引用
@article{arxiv.2303.17893,
title = {Improved clinical data imputation via classical and quantum determinantal point processes},
author = {Skander Kazdaghli and Iordanis Kerenidis and Jens Kieckbusch and Philip Teare},
journal= {arXiv preprint arXiv:2303.17893},
year = {2023}
}