[論文レビュー] Mixed Quantum-Classical Method For Fraud Detection with Quantum Feature Selection

Michele Grossi, Noelle Ibrahim+5 more|arXiv (Cornell University)|Aug 16, 2022

Quantum Computing Algorithms and Architecture被引用数 7

ひとこと要約

本稿では、量子特徴選択を組み込んだ量子サポートベクターマシン（QSVM）を用いた、混合量子古典アンサンブル手法を紹介する。量子特徴マップを活用して取引データ内の補完的パターンを特定することで、分類精度が向上し、予測の不一致分析と特徴の文脈に基づく最適な予測選択を行うメタ分類器により、偽陽性が低減される。バランス型データセット上で81.0%の精度を達成した。

ABSTRACT

This paper presents a first end-to-end application of a Quantum Support Vector Machine (QSVM) algorithm for a classification problem in the financial payment industry using the IBM Safer Payments and IBM Quantum Computers via the Qiskit software stack. Based on real card payment data, a thorough comparison is performed to assess the complementary impact brought in by the current state-of-the-art Quantum Machine Learning algorithms with respect to the Classical Approach. A new method to search for best features is explored using the Quantum Support Vector Machine's feature map characteristics. The results are compared using fraud specific key performance indicators: Accuracy, Recall, and False Positive Rate, extracted from analyses based on human expertise (rule decisions), classical machine learning algorithms (Random Forest, XGBoost) and quantum based machine learning algorithms using QSVM. In addition, a hybrid classical-quantum approach is explored by using an ensemble model that combines classical and quantum algorithms to better improve the fraud prevention decision. We found, as expected, that the results highly depend on feature selections and algorithms that are used to select them. The QSVM provides a complementary exploration of the feature space which led to an improved accuracy of the mixed quantum-classical method for fraud detection, on a drastically reduced data set to fit current state of Quantum Hardware.

研究の動機と目的

• 実際のカード決済データを用いた実世界のフェイルド検出において、特にQSVMを含む量子機械学習の性能を評価すること。
• 古典的手法が見逃す可能性がある取引データ内のパターンを、量子特徴選択が特定できるかどうかを調査すること。
• 古典的（XGBoost、ランダムフォレスト）と量子的（QSVM）分類器を組み合わせた混合量子古典アンサンブルモデルを構築・検証し、偽陽性の低減と意思決定の向上を図ること。
• 予測の不一致を分析し、メタ分類器を用いてそれらを解消することで、古典的および量子的モデル間の補完性を評価すること。
• IBM Safer PaymentsおよびQiskitを通じて、生産環境向け金融システムへの量子機械学習の統合可能性を実証すること。

提案手法

• 人為的にラベル付けされたフェイルドインスタンスを含む実際のカード決済取引データを用い、IBM Safer Payments内で行動特徴およびドメインエキスパートルールに変換して前処理を行った。
• 量子サポートベクターマシン（QSVM）は、Qiskit量子コンピューティングスタックを用いて実装され、エンタングルメントを含む特徴マップによりカーネル表現を強化した。
• 量子特徴選択は、量子特徴マップが関連する特徴をどのように強調するかを分析することで実施され、選択された特徴数の増加に伴い性能を測定した。
• 混合量子古典アンサンブルは、同じバランス型データセット上で古典的モデル（XGBoost、ランダムフォレスト）とQSVMを訓練し、予測が不一致となるトレーニングインスタンスを特定することで構築した。
• 不一致サブセット上で、入力特徴に基づいて古典的または量子モデルを信頼するかを学習するメタ分類器（ロジスティック回帰またはSVM）を訓練した。
• 性能評価には標準KPI（正解率、再現率、偽陽性率）を用い、純粋な古典的モデル、純粋な量子モデル、およびハイブリッドモデルの間で結果を比較した。

実験結果

リサーチクエスチョン

• RQ1 QSVMにおける量子特徴選択は、古典的手法に比べてフェイルド検出により関連する特徴を特定できるか？
• RQ2 実世界の決済データにおいて、QSVMの性能は、最先端の古典的モデル（XGBoost、ランダムフォレスト）と比較して、正解率、再現率、偽陽性率の観点で優れているか？
• RQ3 古典的および量子的モデルはどの程度補完的な予測を行うか？ そして、その補完性は、全体のフェイルド検出性能の向上に活用可能か？
• RQ4 ハイブリッド量子古典アンサンブルモデルは、純粋な古典的または量子的アプローチに比べ、偽陽性を低減しながら全体の正解率を維持または向上させられるか？
• RQ5 量子特徴マップにおけるエンタングルメントは、モデルの性能および特徴選択の質にどのような影響を及えるか？

主な発見

• 混合量子古典アンサンブルモデルは、テストセットで81.0%の正解率を達成し、最適化されたXGBoost（80.0%）および単体のQSVM（78.8%）を上回った。
• QSVMは補完的な意思決定を示し、トレーニングデータの5.2%およびテストデータの5.5%で古典的モデルと予測が不一致となった。これは、異なるパターンを検出できることを示している。
• エンタングルド特徴マップを用いた量子特徴選択は、非エンタングルドマップに比べ、一貫して高いKPI（正解率、再現率）を達成した。これは、量子カーネル設計におけるエンタングルメントの重要性を示している。
• メタ分類器は、モデルの不一致を効果的に活用し、最終的な予測を改善した。古典的および量子的モデルを組み合わせることで、取引ごとに信頼性の高い分類器を選択することで、偽陽性が低減された。
• 本研究では、量子機械学習が、古典的手法が見逃しがちな複雑な非線形関係を金融データで検出できることを確認した。特に、アンサンブル手法を用いることでその有効性が顕著に現れた。
• シミュレーテッド量子コンピュータを用いていたが、ワークフローは実世界のシステム（IBM Safer Payments）への統合を想定しており、将来的な実機量子ハードウェアへの導入に向けた実用的妥当性を示した。