文章主要内容和创新点
主要内容
本文针对现实世界数据集中普遍存在的缺失数据问题，提出了一种名为Quantum-UnIMP的新型框架。该框架将浅层量子电路与基于大语言模型（LLMs）的插补架构相结合，旨在解决传统方法（包括经典嵌入的LLMs）在捕捉混合类型数据（数值、分类、文本）中复杂非线性相关性时的局限性。
具体而言，Quantum-UnIMP的核心是用瞬时量子多项式（IQP）电路生成的量子特征映射替代传统的经典输入嵌入，利用量子叠加和纠缠等特性学习更丰富、更具表达力的数据表示，从而提升缺失值恢复的准确性。通过在三个基准混合类型数据集（UCI Adult Income、Bank Marketing、Synthetic Healthcare）上的实验，该框架相比现有经典方法和基于LLMs的方法，数值特征插补误差（RMSE）降低了高达15.2%，分类特征准确率（F1分数）提高了8.7%，验证了量子增强表示在复杂数据插补任务中的潜力。
创新点
- 提出Quantum-UnIMP框架：首次将量子特征编码与基于LLMs的插补架构结合，通过量子特征映射突破经典嵌入的表示瓶颈。
- 混合类型数据编码流程：设计了专门的预处理管道，将数值、分类、文本特征映射到浅层量子电路的参数中，实现多类型数据的量子编码。
- 实验验证优势：在多个基准数据集上的实验表明，该框架性能显著优于经典方法（如MICE、Mi
