FD4QC：面向金融欺诈检测的经典与量子-混合机器学习应用技术报告
机器学习
2025-07-28 v1 计算工程、金融与科学
摘要
金融交易的复杂度和volume日益增加，给传统欺诈检测系统带来了显著挑战。本技术报告探讨并比较了经典、量子和量子-混合机器学习模型用于二分类欺诈金融活动的效能。按照我们的方法论，首先，我们开发了全面的行为特征工程框架，将原始交易数据转化为丰富而描述性的特征集。其次，我们在IBM反洗钱(AML)数据集上实现并评估了一系列模型。经典基线模型包括Logistic回归、决策树、随机森林和XGBoost。这些模型与三个混合经典量子算法架构进行比较：量子支持向量机(QSVM)、变分量子分类器(VQC)和混合量子神经网络(HQNN)。此外，我们提出了面向量子计算的欺诈检测系统(Fraud Detection for Quantum Computing, FD4QC)，该系统设计为面向实际部署的API驱动架构，具有经典优先、量子增强的哲学，并具备健壮的后备机制。我们的结果显示，经典基于树的方法，特别是随机森林，在当前设置下显著优于量子对手，实现了高准确率(97.34%)和F值(86.95%)。在量子模型中，QSVM最具前景，实现了高精度(77.15%)和低假阳性率(1.36%)，尽管召回率较低且计算开销显著。本报告为实际金融应用提供了基准，突出了量子机器学习在该领域的当前局限性，并为未来研究指明了有前景的方向。
引用
@article{arxiv.2507.19402,
title = {FD4QC: Application of Classical and Quantum-Hybrid Machine Learning for Financial Fraud Detection A Technical Report},
author = {Matteo Cardaioli and Luca Marangoni and Giada Martini and Francesco Mazzolin and Luca Pajola and Andrea Ferretto Parodi and Alessandra Saitta and Maria Chiara Vernillo},
journal= {arXiv preprint arXiv:2507.19402},
year = {2025}
}
备注
This is a technical report