面向金融欺诈检测的隐私保护联邦框架与混合量子增强学习
计算金融
2025-12-04 v1 人工智能
机器学习
摘要
数字交易的快速增长导致欺诈活动激增，对金融领域的传统检测方法提出了挑战。为了解决这个问题，我们引入了一个专门的联邦学习框架，该框架独特地将量子增强长短期记忆（LSTM）模型与先进的隐私保护技术相结合。通过将量子层集成到LSTM架构中，我们的方法巧妙地捕获了复杂的跨交易模式，与常规模型相比，在关键评估指标上实现了约5%的性能提升。我们框架的核心是“FedRansel”，这是一种旨在防御投毒攻击和推断攻击的新方法，与标准差分隐私机制相比，可将模型退化与推断准确度降低4-8%。这种采用量子LSTM模型的伪中心化设置，提高了欺诈检测的准确性，并增强了敏感金融数据的安全性和机密性。
引用
@article{arxiv.2507.22908,
title = {A Privacy-Preserving Federated Framework with Hybrid Quantum-Enhanced Learning for Financial Fraud Detection},
author = {Abhishek Sawaika and Swetang Krishna and Tushar Tomar and Durga Pritam Suggisetti and Aditi Lal and Tanmaya Shrivastav and Nouhaila Innan and Muhammad Shafique},
journal= {arXiv preprint arXiv:2507.22908},
year = {2025}
}
备注
To be published in proceedings of IEEE International Conference on Quantum Computing and Engineering (QCE) 2025