論文の概要: Financial Fraud Detection: A Comparative Study of Quantum Machine Learning Models

• arxiv url: http://arxiv.org/abs/2308.05237v1
• Date: Wed, 9 Aug 2023 21:47:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 14:18:22.498389
• Title: Financial Fraud Detection: A Comparative Study of Quantum Machine Learning Models
• Title（参考訳）: ファイナンシャル・フラッド検出:量子機械学習モデルの比較研究
• Authors: Nouhaila Innan, Muhammad Al-Zafar Khan, and Mohamed Bennai
• Abstract要約: 量子サポートベクトルモデルは、詐欺と非詐欺のクラスでF1スコアが0.98 0.98と最高性能を達成した。 この記事では、現在の制限を克服するソリューションを提供し、不正検出における量子機械学習の分野に新たな洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this research, a comparative study of four Quantum Machine Learning (QML) models was conducted for fraud detection in finance. We proved that the Quantum Support Vector Classifier model achieved the highest performance, with F1 scores of 0.98 for fraud and non-fraud classes. Other models like the Variational Quantum Classifier, Estimator Quantum Neural Network (QNN), and Sampler QNN demonstrate promising results, propelling the potential of QML classification for financial applications. While they exhibit certain limitations, the insights attained pave the way for future enhancements and optimisation strategies. However, challenges exist, including the need for more efficient Quantum algorithms and larger and more complex datasets. The article provides solutions to overcome current limitations and contributes new insights to the field of Quantum Machine Learning in fraud detection, with important implications for its future development.
• Abstract（参考訳）: 本研究では,ファイナンスにおける不正検出のための4つの量子機械学習(QML)モデルの比較研究を行った。 量子サポートベクトル分類器モデルが最も高い性能を示し,f1スコアは詐欺クラスと非詐欺クラスで0.98であった。 変分量子分類器、推定量子ニューラルネットワーク(QNN)、サンプラーQNNといった他のモデルは有望な結果を示し、金融アプリケーションに対するQML分類の可能性を示している。 一定の限界を示す一方で、その洞察は将来の拡張と最適化戦略の道を開いた。 しかし、より効率的な量子アルゴリズムや大規模で複雑なデータセットの必要性など、課題は存在する。 この記事は、現在の制限を克服するためのソリューションを提供し、不正検出における量子機械学習の分野に新たな洞察をもたらし、今後の開発に重要な意味を持つ。

関連論文リスト

• Identifying Flaky Tests in Quantum Code: A Machine Learning Approach [5.323578182914324]
  量子システムの基本的な特徴である不確定性は、量子プログラムにおけるフレキテストの可能性を高める。 量子プログラムにおけるフレキなテストを自動的に検出するために,複数の機械学習モデルを活用する,新しい機械学習プラットフォームを提案する。
  論文  参考訳（メタデータ） (2025-02-06T19:43:51Z)
• Comparative Performance Analysis of Quantum Machine Learning Architectures for Credit Card Fraud Detection [3.5418331252013897]
  本研究では3つのQML分類器の性能に異なる量子特徴写像とアンザッツ構成がどう影響するかを検討する。 VQCは引き続き強力な分類結果を示し、F1スコアは0.88であり、SQNNも有望な結果をもたらす。 対照的に、EQNNは、非標準化されたデータによってもたらされる課題を強調しながら、堅牢な結果を生み出すのに苦労している。
  論文  参考訳（メタデータ） (2024-12-27T04:17:34Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Computable Model-Independent Bounds for Adversarial Quantum Machine Learning [4.857505043608425]
  本稿では、量子ベースの逆数攻撃に対するモデルレジリエンスを評価する際に、逆数誤差の近似的下界について紹介する。 最良の場合、実験誤差は推定境界より10%だけ高く、量子モデルの本質的なロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-11T10:56:31Z)
• GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
  GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。 GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。 GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
  論文  参考訳（メタデータ） (2024-01-25T11:11:16Z)
• Quantum Multiple Kernel Learning in Financial Classification Tasks [2.8564636890651607]
  本稿では,量子多重カーネル学習(QMKL)手法を提案する。 誤差緩和パイプラインを用いて量子ハードウェア上でQMKLを示すとともに、大きな量子ビット状態におけるQMKLの利点を示す。
  論文  参考訳（メタデータ） (2023-12-01T00:18:43Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Improved Financial Forecasting via Quantum Machine Learning [1.151731504874944]
  量子アルゴリズムは、さまざまなドメインやアプリケーションにわたる機械学習を強化する可能性がある。 本研究では、金融予測を改善するために量子機械学習をどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2023-05-31T14:57:05Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)

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。