面向信用卡欺诈检测的实用混合量子模型的 Mixture-of-Experts 框架
量子物理
2026-05-05 v2
摘要
本文探讨了混合量子-经典机器学习是否能够为基于信用卡及其他支付交易的金融欺诈检测提供实际的性能提升。该方法基于引导型量子压缩器架构，集成了自编码器、变分量子电路和经典神经网络头，然后将其嵌入包括最新梯度提升树分类器的Mixture-of-Experts 框架中。使用带有严重类别不平衡的欧洲信用卡数据集，经过3次5折交叉验证基准测试，路由混合体系结构在0.6阈值下实现平均精确率得分为，而XGBoost为。精确率和召回率比较揭示了欺诈和正常检测之间的可能权衡，即在减少假阳性的同时以小幅降低欺诈检测为代价。虽然如此，这些改进仅增加了7至21分钟的额外推理时间，取决于超参数的选择。这表明，选择性地将交易路由到量子-经典模型可提升欺诈检测性能，同时保持与现代金融机构延迟和运营约束的兼容性。
引用
@article{arxiv.2603.06473,
title = {A Mixture-of-Experts Framework for Practical Hybrid-Quantum Models in Credit Card Fraud Detection},
author = {Rodrigo Chaves and Kunal Kumar and Bruno Chagas and Rory Linerud and Brannen Sorem and Javier Mancilla and Bryn Bell},
journal= {arXiv preprint arXiv:2603.06473},
year = {2026}
}