基于量子比特网络的信用风险特征排序
量子物理
2025-11-25 v1 机器学习
摘要
在金融领域，预测模型必须在准确性和可解释性之间取得平衡，尤其是在信用风险评估中，模型决策具有实质性后果。我们提出一种基于单个量子比特的量子神经网络（QNN），其中数据特征和可训练参数都编码在由完整 Lie 代数生成的统一单位演化中。该设计在探索整个 Hilbert 空间的同时，通过学习系数的大小实现可解释性。我们在来自台湾的真实世界、不平衡的信用风险数据集上对模型进行基准测试。该提出的 QNN 在宏 F1 分数上 consistently 优于 LR，并达到随机森林模型的水平，同时保持学习参数与输入特征重要性之间的透明对应关系。为了量化所提出模型的可解释性，我们引入两种互补指标：(i) 模型特征排序与 LR 排序之间的编辑距离，(ii) 特征投毒测试，其中选定特征被替换为噪声。结果表明，所提出的量子模型在保持竞争性能的同时，提供了通向可解释量子学习的可行路径。
引用
@article{arxiv.2511.19150,
title = {Feature Ranking in Credit-Risk with Qudit-Based Networks},
author = {Georgios Maragkopoulos and Lazaros Chavatzoglou and Aikaterini Mandilara and Dimitris Syvridis},
journal= {arXiv preprint arXiv:2511.19150},
year = {2025}
}