基于量子拓扑图神经网络的复杂欺诈模式检测
宇宙学与河外天体物理
2026-03-04 v1 高能天体物理现象
摘要
我们提出一种 novel QTGNN 框架，用于检测大规模金融网络中的欺诈交易。通过集成量子嵌入、变分图卷积和拓扑数据分析，QTGNN 捕捉复杂的交易动态和结构异常，指示欺诈行为。方法论包括量子数据嵌入与纠缠增强、变分量子图卷积的非线性动力学、更高阶拓扑不变量的提取、基于自适应优化的混合量子-经典异常学习，以及通过拓扑归因实现可解释决策。严格的收敛保证确保在噪声中间规模量子 (NISQ) 设备上进行稳定训练，而拓扑特征的稳定性提供了稳健的欺诈检测能力。针对 NISQ 硬件进行优化，包括电路简化和图采样，框架可扩展至大规模交易网络。在金融数据集如 PaySim 和 Elliptic 上进行的仿真实验对 QTGNN 与经典和量子基线进行基准测试，使用 ROC-AUC、精确率和假正率等指标。消融研究评估了量子嵌入、拓扑特征、非线性通道和混合学习的贡献。QTGNN 提供了一个在理论上严谨、可解释且实用的金融欺诈检测解决方案，桥接了量子机器学习、图论和拓扑分析。
引用
@article{arxiv.2512.03695,
title = {The ANDICAM-SOFI Near-infrared and Optical type Ia Supernova (ASNOS) sample: Description and data release},
author = {Kim Phan and Lluís Galbany and Tomás E. Müller-Bravo and Subhash Bose and Christopher R. Burns and Maximilian D. Stritzinger and Camilla T. G. Sørensen and Chris Ashall and Francisco J. Castander and Cristina Jiménez Palau and Joel Johansson and Joseph P. Anderson and Ken. C. Chambers and Mariusz Gromadzki and Priscila J. Pessi and Ting-Wan Chen},
journal= {arXiv preprint arXiv:2512.03695},
year = {2026}
}
备注
Accepted in A&A