[论文解读] 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 7

一句话总结

本文提出了一种混合量子-经典集成方法用于欺诈检测，采用量子支持向量机（QSVM）结合量子增强特征选择。通过利用量子特征映射识别交易数据中的互补模式，该方法提升了分类准确率——在平衡数据集上达到81.0%——同时通过模型意见分歧分析和元分类器（基于特征上下文选择最优预测）减少误报率。

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.

研究动机与目标

• 评估量子机器学习（特别是QSVM）在真实世界欺诈检测中的性能，使用实际信用卡支付数据。
• 探究量子特征选择是否能揭示经典方法所忽略的交易数据模式，从而提升模型准确率。
• 开发并测试一种混合量子-经典集成模型，结合经典模型（XGBoost、随机森林）与量子模型（QSVM），以减少误报并提升决策能力。
• 通过分析预测分歧并利用元分类器解决分歧，评估经典模型与量子模型之间的互补性。
• 通过IBM Safer Payments与Qiskit展示将量子机器学习集成到生产级金融系统中的可行性。

提出的方法

• 本研究使用真实信用卡支付交易数据，其中包含人工标注的欺诈实例，经预处理后转化为行为特征与领域专家规则，整合于IBM Safer Payments系统中。
• 量子支持向量机（QSVM）基于Qiskit量子计算栈实现，其特征映射包含纠缠结构，以增强核表示能力。
• 通过分析量子特征映射突出相关特征的能力，执行量子特征选择，性能在逐步增加的特征数量下进行测量。
• 通过在相同平衡数据集上训练经典模型（XGBoost、随机森林）与QSVM，构建混合量子-经典集成模型，并识别预测结果不一致的训练样本。
• 在不一致子集上训练元分类器（逻辑回归或SVM），学习在何种输入特征下应信任经典模型或量子模型。
• 性能通过标准KPI（准确率、召回率、误报率）进行评估，并与纯经典、纯量子及混合模型的结果进行对比。

实验结果

研究问题

• RQ1 与经典特征选择方法相比，QSVM中的量子特征选择是否能识别出更多与欺诈检测相关的特征？
• RQ2 在真实支付数据上，QSVM在准确率、召回率和误报率方面的表现与最先进经典模型（XGBoost、随机森林）相比如何？
• RQ3 经典模型与量子模型在多大程度上做出互补预测？这种互补性能否被利用以提升整体欺诈检测性能？
• RQ4 与纯经典或纯量子方法相比，混合量子-经典集成模型是否能减少误报率，同时保持或提升整体准确率？
• RQ5 量子特征映射中的纠缠结构对模型性能及特征选择质量有何影响？

主要发现

• 混合量子-经典集成模型在测试集上达到81.0%的准确率，优于优化后的XGBoost（80.0%）和独立运行的QSVM（78.8%）。
• QSVM展现出互补的决策能力，训练数据中5.2%与测试数据中5.5%的样本与经典模型预测不一致，表明其能检测到不同的模式。
• 使用纠缠特征映射的量子特征选择在KPI（准确率、召回率）上始终优于非纠缠映射，凸显了纠缠在量子核设计中的重要性。
• 元分类器有效利用了模型间的分歧，提升了最终预测性能，表明通过结合经典与量子模型可减少误报，根据每笔交易的输入特征选择更可靠的分类器。
• 本研究证实，量子机器学习能够检测到经典模型可能遗漏的金融数据中复杂且非线性的关系，尤其在通过集成方法结合时表现更优。
• 尽管使用了模拟量子计算机，该工作流程已设计为可集成至真实系统（如IBM Safer Payments），展示了未来在真实量子硬件上部署的实际可行性。