[论文解读] Financial Fraud Detection: A Comparative Study of Quantum Machine Learning Models

Nouhaila Innan, Muhammad Al-Zafar Khan+1 more|arXiv (Cornell University)|Aug 9, 2023

Quantum Computing Algorithms and ArchitectureComputer Science参考文献 30被引用 3

一句话总结

本研究评估了四种量子机器学习（QML）模型——量子支持向量分类器（QSVC）、变分量子分类器（VQC）、估计器量子神经网络（EQNN）和采样量子神经网络（SQNN）——在使用精心筛选的数据集和三种量子特征映射进行金融欺诈检测中的表现。QSVC在欺诈和非欺诈类别上均取得了0.98的F1分数，表现出量子核方法在该场景下优于变分和基于神经网络的QML方法。

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.

研究动机与目标

• 评估并比较四种量子机器学习模型——QSVC、VQC、EQNN和SQNN——在检测金融欺诈中的性能。
• 评估不同量子特征映射（ZFeatureMap、PauliFeatureMap、ZZFeatureMap）对模型准确率和训练收敛性的影响。
• 识别每种QML模型在处理现实世界金融欺诈检测任务中的优势与局限性。
• 为优化量子线路和训练策略以提升QML应用中的分类性能提供洞见。

提出的方法

• 本研究采用QSVC模型，该模型使用量子核方法计算量子态之间的相似性，而无需传统损失函数。
• VQC模型通过参数化量子门的变分量子线路进行训练，并采用ZFeatureMap进行数据编码。
• EQNN和SQNN模型分别利用基于估计器和采样测量技术的量子神经网络架构。
• 系统性地应用三种量子特征映射——ZFeatureMap、PauliFeatureMap和ZZFeatureMap——以评估其对模型性能的影响。
• 通过损失函数监控模型训练过程，并分析不同特征映射下的收敛行为。
• 使用标准分类指标评估性能，包括F1分数、准确率、宏平均值和加权平均值。

Figure 1: Circuit diagram for the ZZFeatureMap .

实验结果

研究问题

• RQ1 哪种QML模型在分类金融欺诈和非欺诈交易时取得最高的F1分数？
• RQ2 不同的量子特征映射（ZFeatureMap、PauliFeatureMap、ZZFeatureMap）如何影响QML模型的训练损失和分类准确率？
• RQ3 为何VQC模型在训练过程中出现损失而QSVC模型没有，这对性能有何影响？
• RQ4 EQNN和SQNN模型在欺诈检测背景下存在哪些固有局限性，与QSVC和VQC相比如何？
• RQ5 能否通过优化量子线路设计和数据编码策略来提升QML模型在金融分类任务中的性能？

主要发现

• 量子支持向量分类器（QSVC）在欺诈和非欺诈类别上均取得了最高的F1分数0.98，优于所有其他模型。
• VQC模型表现出色，F1得分为0.90，尤其在使用ZFeatureMap时，训练损失更低，收敛性更好。
• ZFeatureMap在所有模型中均表现出更低的训练损失，表明其在优化稳定性方面优于PauliFeatureMap和ZZFeatureMap。
• EQNN模型的F1分数较低，为0.78，且在PauliFeatureMap和ZZFeatureMap下观察到更高的损失，表明其在优化和线路表达能力方面存在困难。
• SQNN模型在所有模型中准确率最低，这与其在处理欺诈检测中典型的连续高维数据时的设计局限性一致。
• 本研究证实，像QSVC这样的量子核方法模型在该分类任务中比变分和基于量子神经网络的方法更为有效。

Figure 2: Circuit diagram for the PauliFeatureMap .