論文の概要: Financial Fraud Detection with Entropy Computing

• arxiv url: http://arxiv.org/abs/2503.11273v1
• Date: Fri, 14 Mar 2025 10:30:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:04:59.315360
• Title: Financial Fraud Detection with Entropy Computing
• Title（参考訳）: エントロピー計算によるファイナンシャルフラッド検出
• Authors: Babak Emami, Wesley Dyk, David Haycraft, Carrie Spear, Lac Nguyen, Nicholas Chancellor,
• Abstract要約: 本稿では,Quantum Computing Inc の Entropy Quantum Computing パラダイムである Dirac-3 を初期ハードウェアで実装した新しい分類アルゴリズム CVQBoost を紹介する。 Dirac-3上でCVQBoostを実行すると、XGBoostに対する大きなランタイム上のアドバンテージが示される。 我々は, CVQBoostが大規模分類タスクに適していることを示すために, 100万から70万のサンプルを含む大規模な合成データセットに研究を拡張した。
• 参考スコア（独自算出の注目度）: 0.49478969093606673
• License:
• Abstract: We introduce CVQBoost, a novel classification algorithm that leverages early hardware implementing Quantum Computing Inc's Entropy Quantum Computing (EQC) paradigm, Dirac-3 [Nguyen et. al. arXiv:2407.04512]. We apply CVQBoost to a fraud detection test case and benchmark its performance against XGBoost, a widely utilized ML method. Running on Dirac-3, CVQBoost demonstrates a significant runtime advantage over XGBoost, which we evaluate on high-performance hardware comprising up to 48 CPUs and four NVIDIA L4 GPUs using the RAPIDS AI framework. Our results show that CVQBoost maintains competitive accuracy (measured by AUC) while significantly reducing training time, particularly as dataset size and feature complexity increase. To assess scalability, we extend our study to large synthetic datasets ranging from 1M to 70M samples, demonstrating that CVQBoost on Dirac-3 is well-suited for large-scale classification tasks. These findings position CVQBoost as a promising alternative to gradient boosting methods, offering superior scalability and efficiency for high-dimensional ML applications such as fraud detection.
• Abstract（参考訳）: 本稿では,Quantum Computing IncのEntropy Quantum Computing(EQC)パラダイムであるDirac-3[Nguyen et al arXiv:2407.04512]を初期ハードウェアで実装した新しい分類アルゴリズムCVQBoostを紹介する。 CVQBoostを不正検出テストケースに適用し,広く利用されているML手法であるXGBoostに対して,その性能をベンチマークする。 CVQBoostは、最大48CPUと4つのNVIDIA L4 GPUからなる高性能ハードウェア上で、RAPIDS AIフレームワークを使用して評価する。 CVQBoostは,データセットサイズや特徴量の増加など,トレーニング時間を大幅に短縮しつつ,競争精度(AUCによる測定)を維持している。 スケーラビリティを評価するため,Drac-3上のCVQBoostが大規模分類タスクに適していることを示すため,1Mから70Mのサンプルを含む大規模な合成データセットに研究を拡張した。 これらの結果から,CVQBoostは勾配向上法に代わる有望な代替手段として位置づけられ,不正検出などの高次元MLアプリケーションに優れたスケーラビリティと効率を提供する。

関連論文リスト

• Machine Learning Enhanced Quantum State Tomography on FPGA [0.12171407135748794]
  リアルタイム量子状態トモグラフィ(QST)のための機械学習技術が新たな道を開いた 我々は機械学習によるQSTのエッジデバイスへの展開を実証し、特にフィールドプログラマブルゲートアレイ(FPGA)を利用した。
  論文  参考訳（メタデータ） (2025-01-08T07:59:40Z)
• Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
  不確実性定量化は機械学習アプリケーションにおいて重要な要素である。 最新のUQベースラインの集合を実装した新しいベンチマークを導入する。 我々は、11タスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も効果的なアプローチを特定した。
  論文  参考訳（メタデータ） (2024-06-21T20:06:31Z)
• Identifying Bottlenecks of NISQ-friendly HHL algorithms [0.0]
  NISQ適応反復QPEとそのHHLアルゴリズムの雑音耐性について検討する。 その結果,Qiskit readout や M Three readout package のようなノイズ低減技術は,ここでテストした小さなインスタンスにおいても,結果の回復には不十分であることが示唆された。
  論文  参考訳（メタデータ） (2024-06-10T14:11:27Z)
• Can Entanglement-enhanced Quantum Kernels Improve Data Classification? [1.0327753072713142]
  本研究では, 量子支援ベクトルマシンにおけるエンタングルメント強化量子カーネルを用いて, 複雑な呼吸データセットのトレーニングを行った。 従来のアルゴリズムと比較すると,QSVMは複雑な呼吸データセットに対して45%高い精度で高い性能を示した。
  論文  参考訳（メタデータ） (2024-06-04T03:59:28Z)
• QServe: W4A8KV4 Quantization and System Co-design for Efficient LLM Serving [52.31791050376249]
  量子化は大規模言語モデル(LLM)の推論を加速させる。 既存のINT4量子化メソッドは、重みや部分和を復号化する場合、実行時の大きなオーバーヘッドに悩まされる。 4ビット重み、8ビットアクティベーション、4ビットKVキャッシュを備えたW4A8KV4量子化アルゴリズムQoQを導入する。 QServeは、Llama-3-8BをA100で1.2倍、L40Sで1.4倍、Qwen-721.5BをA100で2.4倍、L40Sで3.5倍、達成可能な最大機能を改善する。
  論文  参考訳（メタデータ） (2024-05-07T17:59:30Z)
• Comparative Analysis of XGBoost and Minirocket Algortihms for Human Activity Recognition [0.0]
  本研究では,スマートフォンセンサから収集したデータを用いて,HAR(Human Activity Recognition)領域におけるeXtreme Gradient Boosting(XGBoost)とMiniRocketについて検討した。 XGBoostは、アクティビティ分類において、精度、F1スコア、AUC値が0.99まで到達する。 MiniRocketは精度とF1値が0.94であり、AUC値が0.96である。
  論文  参考訳（メタデータ） (2024-02-28T12:41:06Z)
• Improving Convergence for Quantum Variational Classifiers using Weight Re-Mapping [60.086820254217336]
  近年、量子機械学習は変分量子回路(VQC)の利用が大幅に増加した。 重みを2pi$の間隔に不明瞭にマッピングするために、VQCの重み再マッピングを導入する。 修正されていないウェイトを用いて、Wineデータセットの重量再マッピングにより、テスト精度が10%向上したことを実証した。
  論文  参考訳（メタデータ） (2022-12-22T13:23:19Z)
• Quantum circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)
• Quantum Boosting using Domain-Partitioning Hypotheses [0.9264464791978363]
  ブースティングは、弱い学習者をPAC学習フレームワークの強力な学習者に変換するアンサンブル学習法である。 Q-RealBoostは、弱い学習者のバイアスと弱い学習者がターゲット概念クラスを学習するのに要する時間の両方の観点から、Q-AdaBoostを高速化することを示した。
  論文  参考訳（メタデータ） (2021-10-25T10:46:13Z)
• Providing Meaningful Data Summarizations Using Examplar-based Clustering in Industry 4.0 [67.80123919697971]
  我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。 提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2021-05-25T15:55:14Z)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)

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。