[논문 리뷰] Unsupervised quantum machine learning for fraud detection

Oleksandr Kyriienko, E. B. Magnusson|arXiv (Cornell University)|2022. 08. 02.

Advancements in Semiconductor Devices and Circuit Design인용 수 23

한 줄 요약

본 논문은 신용카드 사기 탐지에 양자 커널 기반의 비지도 이상 탐지(OC-SVM)를 적용하고, 양자 커널이 고전적 방법을 능가할 수 있음을 보이며, 시뮬레이션에서 20 qubits에서 평균 정밀도(AP)가 최대 15% 더 높아짐을 보여주고, 하드웨어의 근접-에서 중기적 영향 가능성에 대해 시사한다.

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.

연구 동기 및 목표

• 극도로 불균형한 신용카드 데이터셋에서 사기 탐지를 이상 탐지 문제로 동기를 부여한다.
• AP를 평가 지표로 사용하여 사기 탐지를 위한 고전적 지도 및 비지도 방법(Logistic Regression, SVC with RBF kernel, OC-SVM)을 벤치마크한다.
• OC-SVM 프레임워크 내에서 양자 커널 기반 이상 탐지의 개발 및 테스트를 수행한다.
• 증가하는 특성 수에 걸쳐 서로 다른 양자 커널 구현(IQP 기반, 재업로드)을 고전적 베이스라인과 비교한다.

제안 방법

• 28개의 익명화된 특성을 가진 신용카드 사기 데이터세트를 사용하고, 25건의 사기를 포함한 525개의 샘플로 하위 샘플링한다.
• 스케일링과 PCA를 이용해 특징 수 N(양자 임베딩의 큐빗 수와 동일)을 변화시키며 전처리한다.
• 평균 정밀도(AP)를 평가 지표로 사용하여 로지스틱 회귀, RBF 커널을 가진 SVC, RBF 커널을 가진 OC-SVM 등 고전적 방법을 벤치마크한다.
• 데이터를 양자 특성 맵을 통해 양자 상태로 임베딩한다(IQP 유사 회로와 데이터 의존 회전 및 ZZ 상호작용 포함) 및 상태 중첩이나 투사 커널로 양자 커널을 구성한다.
• 양자 커널(IQP 재업로딩, d=3)을 가진 OC-SVM을 평가하고, 증가하는 큐빗 수에 걸쳐 고전적 OC-SVM 성능과 비교한다.
• 상태 벡터 시뮬레이션(Pennylane/JAX)을 사용한 배치 Gram 행렬 평가를 수행하고 평균 정밀도 추세를 분석한다.

실험 결과

연구 질문

• RQ1 양자 커널 기반 OC-SVM이 고전 커널과 비교하여 사기 탐지의 비지도 이상 탐지 성능을 향상시킬 수 있는가?
• RQ2 특성 공간이 커지는(큐빗) 양자 커널이 AP에서 성능 이점을 제공하는가, 그리고 어떤 회로 설계(IQP 재업로드 등)에서 그런가?
• RQ3 양자 커널과 고전 커널을 사용할 때 특성 공간 크기가 감독 학습과 비지도 학습 사기 탐지에 미치는 영향은 무엇인가?
• RQ4 양자 FD를 적용할 때 근-에서 중기 양자 하드웨어의 실용적 고려사항(훈련/추론 시간, 확장성 등)은 무엇인가?

주요 결과

• 감독 학습에서 양자 커널은 특정 특징 범위(5–10 특징)에서 RBF 고전 커널보다 평균 정밀도(AP가 10포인트 이상)로 우수하다.
• 비지도 사기 탐지에서 양자 커널은 20 큐빗에서 고전 커널보다 평균 정밀도(AP가 최대 15% 더 높은) 명확한 분리를 보인다.
• d=3 재업로드를 갖는 IQP 회로가 테스트된 양자 특성 맵 중 최상의 성능을 제공하며, 특히 특징 수가 증가할 때 그렇다.
• 20 큐빗에서 비지도 설정에서 양자-고전 AP 분리는 약 15%에 이른다.
• 고전 OC-SVM의 RBF 커널은 약 15 특징 이후 AP가 ~0.55에서 포화되고, 양자 커널은 계속 향상된다.
• 전반적으로 양자 커널은 비지도 사기 탐지에서 다중 특징 간의 상관 관계를 학습하는 데 더 높은 표현력과 잠재적 이점을 보여준다.