Applicazioni di Circuiti Quantistici Variabili nell'Imputazione di Dati Mancanti in Dataset Complessi

La ricostruzione di un dataset a partire da un insieme di dati incompleti è un tema di ricerca molto discusso, in quanto la presenza di dati mancanti o corrotti è un problema comune e di rilievo in molte applicazioni. In questo lavoro ho replicato un modello di Quantum Machine Learning per l'imputazione di dati mancanti, che sfrutta un circuito quantistico per apprendere la struttura dati e creare una stima ottimale per completare il dataset in esame. Il modello è stato testato inizialmente su delle distribuzioni di probabilità note e poi adattato per l'imputazione di dati mancanti in un dataset reale. I risultati ottenuti sono stati confrontati con metodi classici di imputazione, sullo stesso dataset, e hanno mostrato, nella maggior parte dei casi, una maggiore accuratezza delle ricostruzioni. Questo lavoro vuole mostrare come l'utilizzo di tecniche quantistiche sia tanto valido quanto promettente per la risoluzione di problemi di imputazione dati.