[論文レビュー] Unsupervised quantum machine learning for fraud detection

Oleksandr Kyriienko, E. B. Magnusson|arXiv (Cornell University)|Aug 2, 2022

Advancements in Semiconductor Devices and Circuit Design被引用数 23

ひとこと要約

本論文は、クレジットカード詐欺の非教師なし異常検知（OC-SVM）に対する量子カーネルベース手法を開発し、量子カーネルが古典的手法を上回ることができると示し、20 qubitsでのシミュレーションで平均適合度(AP)が最大で15%向上し、ハードウェアへの近中期の影響可能性に言及する。

ABSTRACT

We develop quantum protocols for anomaly detection and apply them to the task of credit card fraud detection (FD). First, we establish classical benchmarks based on supervised and unsupervised machine learning methods, where average precision is chosen as a robust metric for detecting anomalous data. We focus on kernel-based approaches for ease of direct comparison, basing our unsupervised modelling on one-class support vector machines (OC-SVM). Next, we employ quantum kernels of different type for performing anomaly detection, and observe that quantum FD can challenge equivalent classical protocols at increasing number of features (equal to the number of qubits for data embedding). Performing simulations with registers up to 20 qubits, we find that quantum kernels with re-uploading demonstrate better average precision, with the advantage increasing with system size. Specifically, at 20 qubits we reach the quantum-classical separation of average precision being equal to 15%. We discuss the prospects of fraud detection with near- and mid-term quantum hardware, and describe possible future improvements.

研究の動機と目的

• 非常に不均衡なクレジットカードデータセットにおける詐欺検知を異常検知タスクとして動機づける。
• APを指標として、詐欺検知のための古典的な教師あり・教師なし手法（Logistic Regression、RBFカーネルを用いたSVC、OC-SVM）をベンチマークする。
• OC-SVMフレームワーク内で量子カーネルベースの異常検知を開発・検証する。
• 特徴数の増加に伴い、IQPベース、再アップロードなどの異なる量子カーネル実装を古典的ベースラインと比較する。

提案手法

• 28個の匿名化特徴量を持つクレジットカード不正データセットを用い、25件の不正を含む525サンプルにサブサンプリングする。
• スケーリングとPCAによる前処理で特徴量数Nを変化させる（量子埋め込みの量子ビット数と同じ）。
• 評価指標として平均精度を用い、Logistic Regression、RBFカーネルを用いたSVC、およびRBFカーネルを用いたOC-SVMの古典的手法をベンチマークする。
• データを量子特徴マップ（データ依存回転とZZ相互作用を伴うIQP様回路）を用いて量子状態に埋め込み、状態の重なりや射影核として量子カーネルを構築する。
• 再アップロードを用いる IQP、d=3 の量子カーネルを用いた OC-SVM を評価し、量子ビット数の増加に伴う古典 OC-SVM の性能と比較する。
• 状態ベクトルシミュレーション（Pennylane/JAX）を用いたバッチ Gram 行列評価を実施し、平均精度の傾向を分析する。

実験結果

リサーチクエスチョン

• RQ1 古典カーネルと比較して、量子カーネルベースのOC-SVMは詐欺検知のための非教師なし異常検知を改善できるか？
• RQ2 特徴空間を増やす（量子ビット）と AP で性能上の優位性を提供するか、どの回路設計の下で（例：再アップロードを用いる IQP など）？
• RQ3 量子カーネルと古典カーネルを用いた教師あり・教師なし詐欺検知における特徴空間サイズの影響は何か？
• RQ4 近・中期の量子ハードウェアを詐欺検知に適用する際の実用的考慮事項（学習時間/推論時間、スケーラビリティ）は何か？

主な発見

• 教師ありタスクでは、量子カーネルは特定の特徴量範囲（5–10特徴）で平均精度がRBF古典カーネルを10ポイント超上回る。
• 非教師ありの詐欺検知では、20 qubitsで量子カーネルが古典カーネルより最大で15%高い平均精度を示す明確な分離を示す。
• d=3 の再アップロードを伴うIQP回路は、テストされた量子特徴マップの中で最良の性能を提供し、特徴数が増えるにつれて特に顕著。
• 20 qubitsで、非教師あり設定における量子-古典AP分離は約15%に達する。
• 古典OC-SVMのRBFカーネルは約15特徴を越えると約0.55 AP程度で飽和する一方、量子カーネルは改善を続ける。
• 総じて、量子カーネルは高い表現力を示し、非教師あり詐欺検知における相関する複数特徴データの学習に潜在的な利点をもたらす。