본 논문은 UCI 당뇨병 데이터셋에 존재하는 생물학적으로 비현실적인 결측값을 처리하기 위한 새로운 양자 영감을 받은 결측값 대체 프레임워크를 제시합니다. 주성분 분석(PCA)과 양자 지원 회전을 통합하고, COBYLA, 시뮬레이티드 어닐링, 그리고 차분 진화와 같은 기울기 없는 고전적 최적화 기법을 사용하여 최적화를 수행합니다. 대체된 값은 원래 특징 분포의 ±2 표준편차 내에 제한되어 중심 경향으로의 비현실적인 클러스터링을 방지합니다. 제안된 방법은 평균, KNN, MICE와 같은 고전적인 방법들과 비교하여 Wasserstein 거리를 85% 이상 감소시키고, Kolmogorov-Smirnov 검정 p-값을 0.18~0.22로 낮추는 등 통계적으로 유의미한 개선을 달성합니다 (고전적 방법의 p-값은 0.99보다 큼). 또한, 제로 값 아티팩트를 제거하고 대체된 데이터의 현실성과 변동성을 향상시킵니다. 이 방법은 양자 영감 변환과 확장 가능한 고전적 프레임워크를 결합하여 의료 및 AI 파이프라인과 같이 데이터 품질과 무결성이 중요한 분야에서 결측값 대체 작업에 대한 강력한 솔루션을 제공합니다.
