QFDNN：面向欺诈检测与贷款预测的资源高效变分量子特征深度神经网络
量子物理
2025-04-29 v1 机器学习
摘要
社会金融科技聚焦于信任、可持续性和社会责任，这需要先进技术来应对数字时代的复杂金融任务。随着线上交易的快速增长，自动化信用卡欺诈检测和贷款资格预测变得越来越具有挑战性。经典机器学习（ML）模型已被用于解决这些挑战；然而，这些方法常因数据复杂性和高维度金融数据而遇到可扩展性、过拟合和高计算成本问题。量子计算（QC）和量子机器学习（QML）为高效处理高维数据集并实现对细微欺诈模式的实时识别提供了前景。然而，现有量子算法在噪声环境下缺乏鲁健性，无法通过减少特征集来优化性能。为此，我们提出一种量子特征深度神经网络（QFDNN），一种新颖的、资源高效且对噪声鲁健的量子模型，能够在要求更少量子比特和更简单变分电路的同时优化特征表示。该模型使用信用卡欺诈检测和贷款资格预测数据集进行评估，分别实现了82.2%和74.4%的竞争性准确率，计算开销显著降低。此外，我们对QFDNN测试了六种噪声模型，表明其在各种错误条件下都表现出色。我们的发现表明，QFDNN有潜力通过准确检测欺诈性交易来增强社会金融科技的信任和安全性，同时通过其资源高效的设计和最小计算开销支持可持续发展。
引用
@article{arxiv.2504.19632,
title = {QFDNN: A Resource-Efficient Variational Quantum Feature Deep Neural Networks for Fraud Detection and Loan Prediction},
author = {Subham Das and Ashtakala Meghanath and Bikash K. Behera and Shahid Mumtaz and Saif Al-Kuwari and Ahmed Farouk},
journal= {arXiv preprint arXiv:2504.19632},
year = {2025}
}
备注
12 pages, 6 figures, 8 tables