論文の概要: A Privacy-Preserving Federated Framework with Hybrid Quantum-Enhanced Learning for Financial Fraud Detection

• arxiv url: http://arxiv.org/abs/2507.22908v1
• Date: Tue, 15 Jul 2025 17:29:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-03 20:19:02.927123
• Title: A Privacy-Preserving Federated Framework with Hybrid Quantum-Enhanced Learning for Financial Fraud Detection
• Title（参考訳）: ファイナンシャルフラッド検出のためのハイブリッド量子強化学習によるプライバシ保護フェデレーションフレームワーク
• Authors: Abhishek Sawaika, Swetang Krishna, Tushar Tomar, Durga Pritam Suggisetti, Aditi Lal, Tanmaya Shrivastav, Nouhaila Innan, Muhammad Shafique,
• Abstract要約: 本稿では,量子化されたLong Short-Term Memory(LSTM)モデルと高度なプライバシー保護技術を組み合わせた,特殊なフェデレーション学習フレームワークを提案する。 LSTMアーキテクチャに量子層を統合することで、我々のアプローチは複雑な相互相互作用パターを十分に捕捉し、およそ5%の性能向上をもたらす。 この疑似集中化セットアップは、量子LSTMモデルで、不正検出精度を高め、機密性の高い金融データのセキュリティと機密性を強化する。
• 参考スコア（独自算出の注目度）: 2.9447042849184495
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Rapid growth of digital transactions has led to a surge in fraudulent activities, challenging traditional detection methods in the financial sector. To tackle this problem, we introduce a specialised federated learning framework that uniquely combines a quantum-enhanced Long Short-Term Memory (LSTM) model with advanced privacy preserving techniques. By integrating quantum layers into the LSTM architecture, our approach adeptly captures complex cross-transactional patters, resulting in an approximate 5% performance improvement across key evaluation metrics compared to conventional models. Central to our framework is "FedRansel", a novel method designed to defend against poisoning and inference attacks, thereby reducing model degradation and inference accuracy by 4-8%, compared to standard differential privacy mechanisms. This pseudo-centralised setup with a Quantum LSTM model, enhances fraud detection accuracy and reinforces the security and confidentiality of sensitive financial data.
• Abstract（参考訳）: デジタル取引の急速な成長は不正行為の急増を招き、金融セクターの伝統的検出手法に挑戦している。 この問題に対処するために,量子化されたLong Short-Term Memory(LSTM)モデルと高度なプライバシ保護技術を組み合わせた,特殊なフェデレーション学習フレームワークを導入する。 LSTMアーキテクチャに量子層を組み込むことにより、我々のアプローチは複雑な相互相互作用パターを十分に捕捉し、従来のモデルと比較して、鍵評価指標に対しておよそ5%の性能向上をもたらす。 FedRanselは、毒殺や推論攻撃を防ぎ、モデル劣化と推論精度を標準の差分プライバシーメカニズムと比較して4～8%削減する新しい手法である。 この疑似集中化セットアップは、量子LSTMモデルで、不正検出精度を高め、機密性の高い金融データのセキュリティと機密性を強化する。

関連論文リスト

• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• FD4QC: Application of Classical and Quantum-Hybrid Machine Learning for Financial Fraud Detection A Technical Report [36.1999598554273]
  本稿では、古典的、量子的、量子ハイブリッドな機械学習モデルによる不正な金融活動のバイナリな行動分類の有効性について検討・比較する。 我々は、IBM Anti-Money Laundering (AML)データセット上で、さまざまなモデルを実装し、評価する。 実世界展開用に設計された実用的なAPI駆動システムアーキテクチャであるFD4QC(Fraud Detection for Quantum Computing)を提案する。
  論文  参考訳（メタデータ） (2025-07-25T16:08:22Z)
• QFDNN: A Resource-Efficient Variational Quantum Feature Deep Neural Networks for Fraud Detection and Loan Prediction [22.867189884561768]
  本稿では、クレジットカード不正検出とローンの適格性予測の課題を解決するために、量子機能深層ニューラルネットワーク(QFDNN)を提案する。 QFDNNは資源効率が高く、耐雑音性があり、資源効率の高い設計と計算オーバーヘッドの最小化によって持続可能性をサポートする。 この結果から,不正取引を正確に検出することで,社会金融技術の信頼とセキュリティを高めるQFDNNの可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-28T09:47:28Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [48.15636223774418]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Towards Scalable Quantum Key Distribution: A Machine Learning-Based Cascade Protocol Approach [2.363573186878154]
  量子鍵分配(Quantum Key Distribution, QKD)はセキュア通信のための重要な技術である。 複雑な数学的モデルに依存する伝統的な鍵レート決定法は、しばしば効率と拡張性に欠ける。 本稿では,機械学習(ML)技術をカスケード誤り訂正プロトコルに統合する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-12T13:40:08Z)
• 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)
• Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
  本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。 本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。 以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
  論文  参考訳（メタデータ） (2024-03-05T20:54:56Z)
• Multi-Domain Polarization for Enhancing the Physical Layer Security of MIMO Systems [51.125572358881556]
  無線通信システムのセキュリティを高めるために,新しい物理層セキュリティ(PLS)フレームワークが考案されている。 マルチドメイン分極に基づく高度な鍵生成方式と対応する受信機を設計する。 提案手法は,無線通信システムのセキュリティと信頼性を効果的に向上させるものである。
  論文  参考訳（メタデータ） (2023-10-31T05:50:24Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。