[논문 리뷰] Financial Fraud Detection: A Comparative Study of Quantum Machine Learning Models

Nouhaila Innan, Muhammad Al-Zafar Khan외 1명|arXiv (Cornell University)|2023. 08. 09.

Quantum Computing Algorithms and ArchitectureComputer Science참고 문헌 30인용 수 3

한 줄 요약

이 연구는 정제된 데이터셋과 세 가지 양자 특성 맵을 사용하여 재무 사기 탐지에 대한 네 가지 양자 기계 학습(QML) 모델—양자 서포트 벡터 분류기(QSVC), 변량 양자 분류기(VQC), 추정기 QNN(EQNN), 샘플러 QNN(SQNN)—을 평가한다. QSVC는 사기 및 비사기 클래스 모두에서 F1 점수 0.98을 기록하여 이 분야에서 양자 커널 기반 분류가 변량 및 신경망 기반 QML 접근 방식보다 뛰어난 성능을 보임을 입증한다.

ABSTRACT

In this research, a comparative study of four Quantum Machine Learning (QML) models was conducted for fraud detection in finance. We proved that the Quantum Support Vector Classifier model achieved the highest performance, with F1 scores of 0.98 for fraud and non-fraud classes. Other models like the Variational Quantum Classifier, Estimator Quantum Neural Network (QNN), and Sampler QNN demonstrate promising results, propelling the potential of QML classification for financial applications. While they exhibit certain limitations, the insights attained pave the way for future enhancements and optimisation strategies. However, challenges exist, including the need for more efficient Quantum algorithms and larger and more complex datasets. The article provides solutions to overcome current limitations and contributes new insights to the field of Quantum Machine Learning in fraud detection, with important implications for its future development.

연구 동기 및 목표

• 재무 사기 탐지에서 네 가지 양자 기계 학습 모델—QSVC, VQC, EQNN, SQNN—의 성능을 평가하고 비교하는 것.
• 다양한 양자 특성 맵(ZFeatureMap, PauliFeatureMap, ZZFeatureMap)이 모델 정확도와 학습 수렴에 미치는 영향을 평가하는 것.
• 실제 재무 사기 탐지 작업에서 각 QML 모델의 강점과 한계를 규명하는 것.
• QML 응용 분야에서 분류 성능 향상을 위한 양자 회로 최적화 및 학습 전략에 대한 통찰을 제공하는 것.

제안 방법

• 이 연구는 전통적인 손실 함수가 필요로 하지 않는 양자 상태 간 유사도를 계산하는 데 양자 커널을 사용하는 QSVC 모델을 활용한다.
• VQC 모델은 매개변수화된 양자 게이트를 갖는 변량 양자 회로를 사용하여 학습하고, 데이터 인코딩에 ZFeatureMap을 적용한다.
• EQNN 및 SQNN 모델은 각각 추정기 및 샘플러 기반 측정 기법을 사용하는 양자 신경망 아키텍처를 활용한다.
• 세 가지 양자 특성 맵—ZFeatureMap, PauliFeatureMap, ZZFeatureMap—이 체계적으로 적용되어 모델 성능에 미치는 영향을 평가한다.
• 학습 손실 함수를 통한 감시를 통해 다양한 특성 맵에 따른 수렴 행동을 분석한다.
• 표준 분류 지표, 즉 F1 점수, 정확도, 매크로 평균 및 가중 평균을 사용하여 성능을 평가한다.

Figure 1: Circuit diagram for the ZZFeatureMap .

실험 결과

연구 질문

• RQ1 재무 사기 및 비사기 거래를 분류하는 데 있어 어떤 QML 모델이 가장 높은 F1 점수를 기록하는가?
• RQ2 다양한 양자 특성 맵(ZFeatureMap, PauliFeatureMap, ZZFeatureMap)은 QML 모델의 학습 손실과 분류 정확도에 어떤 영향을 미치는가?
• RQ3 왜 VQC 모델은 학습 중 손실을 보이는 반면 QSVC는 그렇지 않은가? 이는 성능에 어떤 영향을 미치는가?
• RQ4 EQNN 및 SQNN 모델의 본질적 한계는 무엇이며, QSVC 및 VQC와 비교해 볼 때 어떻게 다를까?
• RQ5 재무 분류 작업에서 QML 모델 성능 향상을 위해 양자 회로 설계 및 데이터 인코딩 전략을 최적화할 수 있는가?

주요 결과

• 양자 서포트 벡터 분류기(QSVC)는 사기 및 비사기 클래스 모두에서 최고의 F1 점수 0.98를 기록하여 모든 다른 모델을 앞서나갔다.
• VQC 모델은 F1 점수 0.90을 기록하며 뛰어난 성능를 보였으며, 특히 ZFeatureMap을 사용할 경우 더 낮은 학습 손실과 더 나은 수렴을 보였다.
• ZFeatureMap은 모든 모델에서 일관되게 낮은 학습 손실을 기록하여 PauliFeatureMap 및 ZZFeatureMap에 비해 최적화 안정성이 뛰어나다는 것을 시사한다.
• EQNN 모델은 F1 점수 0.78을 기록했으며, PauliFeatureMap 및 ZZFeatureMap를 사용할 경우 더 높은 손실이 관찰되어 최적화 및 회로 표현력에 어려움이 있음을 시사한다.
• SQNN 모델은 모든 모델 중 가장 낮은 정확도를 기록했으며, 이는 사기 탐지에서 흔히 볼 수 있는 연속적이고 고차원적인 데이터를 처리하는 데 있어 설계상의 한계 때문이었다.
• 이 연구는 QSVC와 같은 양자 커널 기반 모델이 이 분류 작업에서 변량 및 양자 신경망 기반 접근 방식보다 더 효과적임을 확인한다.

Figure 2: Circuit diagram for the PauliFeatureMap .