論文の概要: CircuitHunt: Automated Quantum Circuit Screening for Superior Credit-Card Fraud Detection

• arxiv url: http://arxiv.org/abs/2508.21366v1
• Date: Fri, 29 Aug 2025 07:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.941172
• Title: CircuitHunt: Automated Quantum Circuit Screening for Superior Credit-Card Fraud Detection
• Title（参考訳）: CircuitHunt: クレジットカード不正検出のための自動量子回路スクリーニング
• Authors: Nouhaila Innan, Akshat Singh, Muhammad Shafique,
• Abstract要約: 本稿では,高性能モデルの発見を効率化する完全自動量子回路スクリーニングフレームワークCircuitHuntを紹介する。 トップランクの回路は完全にトレーニングされ、97%のテスト精度と高いマクロF1スコアを挑戦的な不正検出ベンチマークで達成する。
• 参考スコア（独自算出の注目度）: 2.417944170423441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing effective quantum models for real-world tasks remains a key challenge within Quantum Machine Learning (QML), particularly in applications such as credit card fraud detection, where extreme class imbalance and evolving attack patterns demand both accuracy and adaptability. Most existing approaches rely on either manually designed or randomly initialized circuits, leading to high failure rates and limited scalability. In this work, we introduce CircuitHunt, a fully automated quantum circuit screening framework that streamlines the discovery of high-performing models. CircuitHunt filters circuits from the KetGPT dataset using qubit and parameter constraints, embeds each candidate into a standardized hybrid QNN, and performs rapid training with checkpointing based on macro-F1 scores to discard weak performers early. The top-ranked circuit is then fully trained, achieving 97% test accuracy and a high macro-F1 score on a challenging fraud detection benchmark. By combining budget-aware pruning, empirical evaluation, and end-to-end automation, CircuitHunt reduces architecture search time from days to hours while maintaining performance. It thus provides a scalable and task-driven tool for QML deployment in critical financial applications.
• Abstract（参考訳）: 現実世界のタスクに有効な量子モデルを設計することは、量子機械学習(QML)において重要な課題であり、特にクレジットカード不正検出のようなアプリケーションでは、極端なクラス不均衡と進化する攻撃パターンが正確性と適応性の両方を要求する。 既存のほとんどのアプローチは手動設計またはランダムに初期化回路に依存しており、高い故障率と拡張性に制限がある。 本稿では,高性能モデルの発見を合理化する完全自動量子回路スクリーニングフレームワークCircuitHuntを紹介する。 CircuitHuntは、キュービットとパラメータ制約を使ってKetGPTデータセットから回路をフィルタリングし、各候補を標準化されたハイブリッドQNNに埋め込み、マクロF1スコアに基づいたチェックポインティングによる迅速なトレーニングを行い、弱いパフォーマーを早期に破棄する。 トップランクの回路は完全にトレーニングされ、97%のテスト精度と高いマクロF1スコアを挑戦的な不正検出ベンチマークで達成する。 予算対応プルーニング、経験的評価、エンドツーエンドの自動化を組み合わせることで、CircuitHuntはパフォーマンスを維持しながら、アーキテクチャの検索時間を数日から数時間に短縮する。 これにより、重要な金融アプリケーションにQMLをデプロイするためのスケーラブルでタスク駆動のツールを提供する。

関連論文リスト

• Compilation-informed probabilistic quantum error cancellation [2.079863206645103]
  本稿では,回路,QEC符号,およびコンパイラに依存しない論理ゲートノイズに対する量子エラー緩和方式を提案する。 最大回路サイズとQEC符号距離は目標精度とは独立であり、QECのみに基づく戦略とは対照的である。 提案手法は,高精度推定のための量子リソース要件を著しく低減し,高精度非依存オーバーヘッドを伴うフォールトトレラント量子計算への実用的な経路を提供する。
  論文  参考訳（メタデータ） (2025-08-27T18:00:10Z)
• Reliable high-accuracy error mitigation for utility-scale quantum circuits [2.3311230422577696]
  本稿では,QESEMについて紹介する。QESEMは信頼性が高く,信頼性が高く,キャラクタリゼーションに基づくソフトウェアで,効率よく,偏りのない準確率的誤差軽減を実現する。 未バイアス法に基づく最大ユーティリティスケールエラー軽減実験において,その性能を実証する。 結果は、今日利用可能なデバイス上で量子回路を実行するための正確性と信頼性において、大きな進歩を示している。
  論文  参考訳（メタデータ） (2025-08-14T18:02:44Z)
• 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)
• Quantum Machine Learning in Log-based Anomaly Detection: Challenges and Opportunities [36.437593835024394]
  我々は、LogADのコンテキストでQMLモデルを評価するための統合フレームワーク、我々のフレームワークを紹介します。 DeepLog、LogAnomaly、LogRobustといった最先端のメソッドが私たちのフレームワークに含まれている。 評価はQMLの性能に重要な要素、例えば特異性、回路数、回路設計、量子状態符号化にまで及んでいる。
  論文  参考訳（メタデータ） (2024-12-18T06:13:49Z)
• Controller-decoder system requirements derived by implementing Shor's algorithm with surface code [0.5592394503914488]
  量子誤り補正(Quantum Error Correction, QEC)は、量子優位性への最も有望な経路と考えられている。 コントローラデコーダのクローズドループレイテンシは数十マイクロ秒以内に留まり、デコードタスクを並列化することで達成可能であることを示す。 また、物理レベルでの完全フォールトトレラント分解回路をシミュレートし、物理誤差率0.1%、1000キュービットといった短期ハードウェアの性能が回路の動作を成功させるのに十分であることを示す。
  論文  参考訳（メタデータ） (2024-11-29T23:55:29Z)
• Fault-tolerant compiling of classically hard IQP circuits on hypercubes [34.225996865725605]
  我々は,量子サンプリング回路を実現するためのハードウェア効率,フォールトトレラントアプローチを開発した。 本研究では,D$D$IQP回路の硬さ解析とランダムサンプリングの検証のための第2モーメント特性の理論を開発した。 この結果から,特定のエラー訂正コードと現実的なハードウェアを備えた共構成可能なアルゴリズムにおいて,フォールトトレラントコンパイルが強力なツールとして注目されている。
  論文  参考訳（メタデータ） (2024-04-29T18:00:03Z)
• Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering [38.02852247910155]
  新しいQuantum Error Mitigation(QEM)技術では、Fizzy C-Meansクラスタリングを使用して測定エラーパターンを特定できる。 実 NISQ 5-qubit 量子プロセッサのサブセットとして得られた 2-qubit レジスタ上で,この手法の原理的検証を報告する。 我々は、FCMベースのQEM技術により、単一および2ビットゲートベースの量子回路の期待値が合理的に改善できることを実証した。
  論文  参考訳（メタデータ） (2024-02-02T14:02:45Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• Adaptive Planning Search Algorithm for Analog Circuit Verification [53.97809573610992]
  シミュレーションの少ない機械学習(ML)アプローチを提案する。 提案手法により,OCCを全回路の仕様に近づけることができることを示す。
  論文  参考訳（メタデータ） (2023-06-23T12:57:46Z)
• 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 circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
  本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。 我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:39:31Z)

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。