論文の概要: Financial Fraud Detection using Quantum Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2309.01127v1
• Date: Sun, 3 Sep 2023 09:42:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 21:23:46.823460
• Title: Financial Fraud Detection using Quantum Graph Neural Networks
• Title（参考訳）: 量子グラフニューラルネットワークを用いた金融不正検出
• Authors: Nouhaila Innan, Abhishek Sawaika, Ashim Dhor, Siddhant Dutta, Sairupa Thota, Husayn Gokal, Nandan Patel, Muhammad Al-Zafar Khan, Ioannis Theodonis and Mohamed Bennai
• Abstract要約: 量子グラフニューラルネットワーク(QGNN)を用いた新たな金融不正検出手法を提案する。 QGNNは、グラフ構造化データを処理するニューラルネットワークの一種であり、量子コンピューティング(QC)のパワーを活用して、古典的なニューラルネットワークよりも効率的に計算を行うことができる。 我々の研究はQGNNの可能性を浮き彫りにしており、QGNNは金融詐欺検出を改善するための有望な新しいアプローチであることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial fraud detection is essential for preventing significant financial losses and maintaining the reputation of financial institutions. However, conventional methods of detecting financial fraud have limited effectiveness, necessitating the need for new approaches to improve detection rates. In this paper, we propose a novel approach for detecting financial fraud using Quantum Graph Neural Networks (QGNNs). QGNNs are a type of neural network that can process graph-structured data and leverage the power of Quantum Computing (QC) to perform computations more efficiently than classical neural networks. Our approach uses Variational Quantum Circuits (VQC) to enhance the performance of the QGNN. In order to evaluate the efficiency of our proposed method, we compared the performance of QGNNs to Classical Graph Neural Networks using a real-world financial fraud detection dataset. The results of our experiments showed that QGNNs achieved an AUC of $0.85$, which outperformed classical GNNs. Our research highlights the potential of QGNNs and suggests that QGNNs are a promising new approach for improving financial fraud detection.
• Abstract（参考訳）: 金融不正検出は、大きな損失を防ぎ、金融機関の評判を維持するために不可欠である。 しかし、従来の金融詐欺検出方法は効果が限られており、検出率を向上させるための新たなアプローチが必要である。 本稿では,量子グラフニューラルネットワーク(QGNN)を用いた金融不正検出手法を提案する。 qgnnは、グラフ構造化データを処理し、量子コンピューティング(qc)の力を活用し、従来のニューラルネットワークよりも効率的に計算を行うニューラルネットワークの一種である。 提案手法は変分量子回路(VQC)を用いてQGNNの性能を向上させる。 提案手法の有効性を評価するため,実世界の金融不正検出データセットを用いて,QGNNの性能を古典グラフニューラルネットワークと比較した。 実験の結果,QGNNのAUCは0.85ドルであり,従来のGNNよりも優れていた。 我々の研究はQGNNの可能性を浮き彫りにして、QGNNが金融詐欺検出を改善するための有望な新しいアプローチであることを示唆している。

関連論文リスト

• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  機械学習モデルはラベルのフリップ(ラベルのフリップ)に弱い。 サンプルと集合証明書の両方を抽出し,正確な認証手法を提案する。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な証明書を提示しました。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Graph Neural Networks for Financial Fraud Detection: A Review [19.27732184004872]
  本稿では、金融不正問題に対処する上でのグラフニューラルネットワーク(GNN)の役割について概説する。 GNNは金融ネットワーク内の複雑な関係パターンやダイナミクスを捉えるのに非常に適しています。 本稿では,100以上の研究の構造化レビューを通じて,財務不正検出におけるGNN適用の理解に寄与する。
  論文  参考訳（メタデータ） (2024-11-01T03:59:57Z)
• Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
  本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。 グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。 本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
  論文  参考訳（メタデータ） (2024-07-09T03:59:06Z)
• QFNN-FFD: Quantum Federated Neural Network for Financial Fraud Detection [4.2435928520499635]
  本研究ではQFNN-FFD(Quantum Federated Neural Network for Financial Fraud Detection)を提案する。 QFNN-FFDは、金融詐欺検出のために、量子機械学習(QML)とFederated Learning(FL)との量子コンピューティングを統合するフレームワークである。 量子技術の計算能力とFLが提供する堅牢なデータプライバシ保護を利用することで、QFNN-FFDは不正取引を識別するためのセキュアで効率的な方法として現れる。
  論文  参考訳（メタデータ） (2024-04-03T09:19:46Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• A Post-Training Approach for Mitigating Overfitting in Quantum Convolutional Neural Networks [0.24578723416255752]
  量子畳み込みニューラルネットワーク(QCNN)におけるオーバーフィッティング軽減のためのポストトレーニング手法の検討 古典的なポストトレーニング手法であるニューロトン・ドロップアウトの量子設定への直接的な適応は、QCNNの成功確率を著しく低下させる。 我々は、この効果がQCNNにおける絡み合いの重要な役割と、QCNNの絡み合い損失に対する脆弱性を明らかにすることを論じる。
  論文  参考訳（メタデータ） (2023-09-04T21:46:24Z)
• Financial Fraud Detection: A Comparative Study of Quantum Machine Learning Models [0.0]
  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。
  論文  参考訳（メタデータ） (2023-08-09T21:47:50Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• 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。