量子机器学习架构在信用卡欺诈检测中的比较性能分析
量子物理
2026-02-12 v3 机器学习
摘要
随着金融欺诈日益复杂，有效的检测方法至关重要。量子机器学习（QML）引入了某些能力，可能提升此领域的准确度和效率。本研究考察了不同的量子特征图和 ansatz 配置如何影响三种基于QML的分类器的性能，即变分量子分类器（VQC）、抽样量子神经网络（SQNN）和估计量子神经网络（EQNN），当应用于两个非标准化的金融欺诈数据集时。评估了不同的量子特征图和 ansatz 配置，揭示了distinct性能模式。VQC持续显示出强大的分类结果， achieving an F1-score of 0.88，而SQNN也提供了有前景的成果。相比之下，EQNN难以产生稳健的结果，突显了非标准化数据所面临的挑战。使用ANOVA进行统计验证确认了观察到的性能差异的显著性。此外，对最佳表现模型进行的鲁棒性测试显示，在五种量子噪声类型下，它们仍保持竞争性能，支持其实际应用性。这些发现突显了在QML-based金融欺诈检测中 carefully 配置模型的重要性。通过展示特定特征图和 ansatz 选择如何影响预测成功，本工作为研究人员和实践者在复杂金融应用中细化QML方法提供了指导。
引用
@article{arxiv.2412.19441,
title = {Comparative Performance Analysis of Quantum Machine Learning Architectures for Credit Card Fraud Detection},
author = {Mansour El Alami and Nouhaila Innan and Muhammad Shafique and Mohamed Bennai},
journal= {arXiv preprint arXiv:2412.19441},
year = {2026}
}
备注
15 pages, 20 figures, 8 tables. Accepted in Applied Intelligence