論文の概要: Unsupervised quantum machine learning for fraud detection

• arxiv url: http://arxiv.org/abs/2208.01203v1
• Date: Tue, 2 Aug 2022 02:08:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-02 14:35:53.590486
• Title: Unsupervised quantum machine learning for fraud detection
• Title（参考訳）: 不正検出のための教師なし量子機械学習
• Authors: Oleksandr Kyriienko, Einar B. Magnusson
• Abstract要約: 我々は、異常検出のための量子プロトコルを開発し、クレジットカード不正検出のタスクに適用する。 20量子ビットでは、平均精度の量子古典的分離が15%に達する。 本稿では、近・中期量子ハードウェアによる不正検出の可能性について論じ、今後の改善の可能性について述べる。
• 参考スコア（独自算出の注目度）: 23.87373187143897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop quantum protocols for anomaly detection and apply them to the task of credit card fraud detection (FD). First, we establish classical benchmarks based on supervised and unsupervised machine learning methods, where average precision is chosen as a robust metric for detecting anomalous data. We focus on kernel-based approaches for ease of direct comparison, basing our unsupervised modelling on one-class support vector machines (OC-SVM). Next, we employ quantum kernels of different type for performing anomaly detection, and observe that quantum FD can challenge equivalent classical protocols at increasing number of features (equal to the number of qubits for data embedding). Performing simulations with registers up to 20 qubits, we find that quantum kernels with re-uploading demonstrate better average precision, with the advantage increasing with system size. Specifically, at 20 qubits we reach the quantum-classical separation of average precision being equal to 15%. We discuss the prospects of fraud detection with near- and mid-term quantum hardware, and describe possible future improvements.
• Abstract（参考訳）: 我々は、異常検出のための量子プロトコルを開発し、クレジットカード不正検出(FD)のタスクに適用する。 まず,教師なしおよび教師なしの機械学習手法に基づく古典的ベンチマークを構築し,平均精度を異常データ検出のためのロバストな指標として選択する。 直接比較が容易なカーネルベースのアプローチに注目し、教師なしモデリングを1クラスサポートベクトルマシン(OC-SVM)に基礎を置いている。 次に、異なるタイプの量子カーネルを用いて異常検出を行い、量子FDが同等の古典的プロトコルに挑戦することができることを観測する(データ埋め込みにおける量子ビットの数に等しい)。 レジスタを最大20量子ビットでシミュレーションすると、再アップロードした量子カーネルは平均精度が向上し、システムサイズが大きくなるという利点がある。 具体的には、20量子ビットで平均精度の量子古典的分離が15%に達する。 短期的および中期的な量子ハードウェアによる不正検出の可能性について検討し,今後の改善の可能性について述べる。

関連論文リスト

• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
  量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。 量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel [0.0]
  異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。 本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。 量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
  論文  参考訳（メタデータ） (2023-08-01T15:00:14Z)
• Exploring Unsupervised Anomaly Detection with Quantum Boltzmann Machines in Fraud Detection [3.955274213382716]
  EDR(Restricted Detection and Response)における異常検出は、大企業のサイバーセキュリティプログラムにおいて重要な課題である。 この問題に対する古典的な機械学習アプローチは存在するが、悪質な異常と悪質な異常を区別する際の不満足なパフォーマンスをしばしば示している。 現在使われている機械学習技術よりも優れた一般化を実現するための有望なアプローチは量子生成モデルである。
  論文  参考訳（メタデータ） (2023-06-08T07:36:01Z)
• Quantum anomaly detection in the latent space of proton collision events at the LHC [1.0480625205078853]
  教師なし量子機械学習アルゴリズムに基づくLHCにおける異常検出のための新しい手法を提案する。 カーネルベースの異常検出では、量子モデルが古典的よりも大幅に優れている状態を特定する。 観測された一貫した性能優位性は、使用した回路の固有量子特性と関係があることを実証する。
  論文  参考訳（メタデータ） (2023-01-25T19:00:01Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)
• Benchmarking multi-qubit gates -- I: Metrological aspects [0.0]
  量子コンピュータにおけるハードウェアエラーのベンチマークは、最近大きな注目を集めている。 既存のデジタル量子コンピュータのベンチマークでは、大規模な量子回路上でのグローバルな忠実度が平均化されている。 削減されたChoi行列に基づいて,マルチキュービット量子ゲートに適した新しいフィギュア・オブ・メリットを開発した。
  論文  参考訳（メタデータ） (2022-10-09T19:36:21Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Machine learning approach for quantum non-Markovian noise classification [1.2891210250935146]
  機械学習と人工ニューラルネットワークモデルを用いてノイズの多い量子力学を分類できることを示した。 提案手法は, 多数の実験手法の直接的応用と, 既に利用可能な雑音型中間規模量子デバイスのノイズベンチマークへの応用が期待できる。
  論文  参考訳（メタデータ） (2021-01-08T20:56:56Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。