[논문 리뷰] Mixed Quantum-Classical Method For Fraud Detection with Quantum Feature Selection

Michele Grossi, Noelle Ibrahim외 5명|arXiv (Cornell University)|2022. 08. 16.

Quantum Computing Algorithms and Architecture인용 수 7

한 줄 요약

이 논문은 양자 특성 선택을 통한 양자 지원 벡터 기반 기계 학습(QSVM)을 사용한 사기 탐지에 대한 혼합 양자-고전적 앙상블 방법을 제안한다. 양자 특성 매핑을 활용해 거래 데이터의 상보적인 패턴을 식별함으로써 분류 정확도를 향상시키며, 모델 간 이견 분석과 특성 맥락 기반 최적 예측 선택을 위한 메타분류기를 통해 가짜 양성 결과를 감소시킨다. 결과적으로 균형 잡힌 데이터셋에서 81.0%의 정확도를 달성한다.

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.

연구 동기 및 목표

• 실제 신용카드 결제 데이터를 사용한 실제 사례 기반 사기 탐지에서 양자 기계 학습, 특히 QSVM의 성능을 평가하는 것.
• 고전적 방법이 간과하는 거래 데이터 내 패턴을 양자 특성 선택이 어떻게 드러내는지 조사하여 모델 정확도 향상 여부를 검토하는 것.
• 고전적(예: XGBoost, Random Forest)과 양자적(QSVM) 분류기를 조합한 혼합 양자-고전적 앙상블 모델을 개발하고 테스트하여 가짜 양성 결과를 줄이고 의사결정을 향상시키는 것.
• 예측 이견 분석과 메타분류기를 활용해 고전적 모델과 양자 모델 간의 상보성을 평가하고 이를 바탕으로 결합 전략을 수립하는 것.
• IBM Safer Payments와 Qiskit를 통해 실전 금융 시스템에 양자 기계 학습을 통합할 수 있는 가능성을 입증하는 것.

제안 방법

• 연구는 인간이 레이블링한 사기 사례가 포함된 실제 신용카드 거래 데이터를 사용하며, 이를 IBM Safer Payments 내에서 행동 특성과 도메인 전문가 규칙 기반으로 사전 처리하였다.
• 양자 지원 벡터 기반 기계 학습(QSVM)은 Qiskit 양자 컴퓨팅 스택을 사용해 구현되었으며, 커널 표현을 향상시키기 위해 얽힘을 포함한 특성 매핑을 적용하였다.
• 양자 특성 선택은 양자 특성 매핑이 관련 특성들을 어떻게 두드러지게 하는지 분석함으로써 수행되었으며, 선택된 특성 수가 증가함에 따라 성능을 측정하였다.
• 혼합 양자-고전적 앙상블은 동일한 균형 잡힌 데이터셋에서 고전적 모델(XGBoost, Random Forest)과 QSVM을 훈련한 후, 예측이 상이한 훈련 인스턴스를 식별함으로써 구성되었다.
• 예측 이견이 발생한 부분집합에 대해 메타분류기(로지스틱 회귀 또는 SVM)를 훈련시켜 입력 특성 기반으로 고전적 모델 또는 양자 모델을 언제 신뢰할 수 있는지 학습하였다.
• 성능 평가는 정확도, 재현율, 가짜 양성 비율 등의 표준 KPI를 사용하여 평가되었으며, 순수 고전적 모델, 순수 양자 모델, 하이브리드 모델 간 결과를 비교하였다.

실험 결과

연구 질문

• RQ1 QSVM에서의 양자 특성 선택은 고전적 특성 선택 방법보다 사기 탐지에 더 관련성이 높은 특성을 더 잘 식별할 수 있는가?
• RQ2 실제 금융 거래 데이터에서 상태의 기계 학습 모델(XGBoost, Random Forest)과 비교해 QSVM의 정확도, 재현율, 가짜 양성 비율 측면에서 성능은 어떠한가?
• RQ3 고전적 모델과 양자 모델 간의 예측이 얼마나 상보적인가? 이러한 상보성은 전체 사기 탐지 성능 향상에 어떻게 활용될 수 있는가?
• RQ4 하이브리드 양자-고전적 앙상블 모델은 순수 고전적 또는 양자적 접근 방식에 비해 가짜 양성을 줄이면서도 전체 정확도를 유지하거나 향상시킬 수 있는가?
• RQ5 양자 특성 매핑에서의 얽힘은 모델 성능과 특성 선택 품질에 어떤 영향을 미치는가?

주요 결과

• 혼합 양자-고전적 앙상블 모델은 테스트 세트에서 81.0%의 정확도를 기록하여 최적화된 XGBoost(80.0%)와 단독 QSVM(78.8%)를 모두 초월하였다.
• QSVM 모델는 상호 보완적인 의사결정을 보였으며, 훈련 데이터의 5.2%와 테스트 데이터의 5.5%에서 고전적 모델와 예측 이견을 보였으며, 이는 별개의 패턴을 탐지했음을 시사한다.
• 얽힌 특성 매핑을 사용한 양자 특성 선택은 비얽힌 매핑보다 일관되게 더 높은 KPI(정확도, 재현율)를 기록하여, 양자 커널 설계에서 얽힘이 중요한 역할을 함을 입증하였다.
• 메타분류기는 모델 간 이견을 효과적으로 활용하여 최종 예측을 향상시켰으며, 고전적 모델과 양자 모델을 조합함으로써 각 거래에 대해 더 신뢰할 수 있는 분류기를 선택함으로써 가짜 양성 결과를 감소시켰다.
• 본 연구는 양자 기계 학습이 고전적 모델가 간과할 수 있는 복잡한 비선형 관계를 금융 데이터에서 탐지할 수 있음을 확인하였으며, 특히 앙상블 방법을 통해 통합할 경우 더욱 두드러진다.
• 모의 양자 컴퓨터를 사용했음에도 불구하고, 워크플로우는 실세계 시스템(예: IBM Safer Payments)에 통합 가능하도록 설계되어 있어, 향후 실질적 양자 하드웨어에의 구현 가능성을 입증하였다.