通过基于 AI 智能体的定性分析增强量子辅助区块链聚类的可解释性
量子物理
2025-06-04 v1 机器学习
摘要
区块链交易数据本质上具有高维、噪声和纠缠的特性，对传统聚类算法构成了巨大挑战。尽管量子增强聚类模型展现出了有前景的性能提升，但其可解释性仍然有限，限制了其在金融欺诈检测和区块链治理等敏感领域的应用。为了填补这一空白，我们提出了一种两阶段分析框架，将定量聚类评估与 AI 智能体辅助的定性解释协同结合。在第一阶段，我们采用经典聚类方法和评估指标（包括 Silhouette Score、Davies-Bouldin Index 和 Calinski-Harabasz Index）来确定最佳聚类数量和基线划分质量。在第二阶段，我们集成 AI 智能体以生成人类可读的聚类结果语义解释，识别簇内特征和簇间关系。我们的实验表明，虽然完全训练的量子神经网络（QNN）在定量指标上优于随机量子特征（QF），但 AI 智能体进一步揭示了这些方法之间的细微差异，特别是暴露了 QNN 驱动模型中的单例簇现象。来自两个阶段的综合见解一致认可三簇配置，展示了我们混合方法的实用价值。这项工作推进了量子辅助区块链分析的可解释性前沿，并为未来的自主 AI 编排聚类框架奠定了基础。
引用
@article{arxiv.2506.02068,
title = {Enhancing Interpretability of Quantum-Assisted Blockchain Clustering via AI Agent-Based Qualitative Analysis},
author = {Yun-Cheng Tsai and Yen-Ku Liu and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2506.02068},
year = {2025}
}