IQNN-CS：面向信用评分的可解释量子神经网络
机器学习
2026-02-12 v1 量子物理
摘要
信用评估是金融服务中的高风险任务，模型决策直接影响个人获取信贷的能力，并受到严格的监管审查。虽然量子机器学习 (QML) 提供了新的计算能力，但其黑箱本质在需要透明度和信任的领域仍是挑战。本文提出 IQNN-CS，一个面向 multiclass 信用风险分类的可解释量子神经网络框架。该架构将变分 QNN 与针对结构化数据的后处理解释技术相结合。为解决 QML 缺乏结构化可解释性的问题，我们引入 Inter-Class Attribution Alignment (ICAA)，一种新颖的度量，用于量化预测类别间的归因偏移，揭示模型如何区分信用风险类别。评估于两个真实信用数据集，IQNN-CS 在训练动力学稳定、预测性能具竞争力并提升可解释性方面表现良好。我们的结果凸显了面向金融决策的透明和可信 QML 模型的实用路径。
引用
@article{arxiv.2510.15044,
title = {IQNN-CS: Interpretable Quantum Neural Network for Credit Scoring},
author = {Abdul Samad Khan and Nouhaila Innan and Aeysha Khalique and Muhammad Shafique},
journal= {arXiv preprint arXiv:2510.15044},
year = {2026}
}
备注
Accepted for oral presentation at QUEST-IS'25. To appear in Springer proceedings