論文の概要: Credit Default Prediction with Projected Quantum Feature Models and Ensembles

• arxiv url: http://arxiv.org/abs/2510.01129v1
• Date: Wed, 01 Oct 2025 17:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 21:54:12.811829
• Title: Credit Default Prediction with Projected Quantum Feature Models and Ensembles
• Title（参考訳）: 予測量子特徴モデルとアンサンブルによるクレジットデフォルト予測
• Authors: Andras Ferenczi, Dagen Wang, Mariya Bessonova, Sutapa Samanta, Todd Hodges, John Hancock, Guillermo Mijares Vilariño, Amol Deshmukh, Mariana LaDue, Girish Pillai, Hilary Packer,
• Abstract要約: 我々は、投影された量子特徴写像に基づくハイブリッド量子古典機械学習モデルと、従来のモデルとのアンサンブル統合を用いて、クレジットカードのデフォルト予測の問題を調べる。 以上の結果から,アンサンブルモデルでは,"デフォルトリスク"(CDR)測定で表される純粋に古典的な結果がわずかに改善できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of future loan defaults is a critical capability for financial institutions that provide lines of credit. For institutions that issue and manage extensive loan volumes, even a slight improvement in default prediction precision can significantly enhance financial stability and regulatory adherence, resulting in better customer experience and satisfaction. Datasets associated with credit default prediction often exhibit temporal correlations and high dimensionality. These attributes can lead to accuracy degradation and performance issues when scaling classical predictive algorithms tailored for these datasets. Given these limitations, quantum algorithms, leveraging their innate ability to handle high-dimensionality problems, emerge as a promising new avenue alongside classical approaches. To assess the viability and effectiveness of quantum methodologies, we investigate a hybrid quantum-classical algorithm, utilizing a publicly available "Default Prediction Dataset" released as part of a third-party data science competition. Specifically, we employ hybrid quantum-classical machine learning models based on projected quantum feature maps and their ensemble integration with classical models to examine the problem of credit card default prediction. Our results indicate that the ensemble models based on the projected quantum features were capable of slightly improving the purely classical results expressed via a "Composite Default Risk" (CDR) metric. Furthermore, we discuss the practical applicability of the studied quantum-classical machine learning techniques and address open questions concerning their implementation.
• Abstract（参考訳）: 将来の融資デフォルトの正確な予測は、信用ラインを提供する金融機関にとって重要な能力である。 大規模な融資ボリュームを発行・管理する機関にとって、デフォルトの予測精度がわずかに向上しても、金融の安定と規制の順守が著しく向上し、顧客体験や満足度が向上する可能性がある。 信用デフォルト予測に関連するデータセットは、時間的相関と高次元性を示すことが多い。 これらの属性は、これらのデータセットに適した古典的な予測アルゴリズムをスケールする際に、精度の低下とパフォーマンス上の問題を引き起こす可能性がある。 これらの制限を前提として、量子アルゴリズムは、高次元問題に対処する本質的な能力を活用し、古典的アプローチと並行して有望な新しい道として出現する。 量子方法論の有効性と有効性を評価するため,サードパーティによるデータサイエンスコンペティションの一環として公開された"Default Prediction Dataset"を用いて,ハイブリッド量子古典アルゴリズムを検証した。 具体的には、投影された量子特徴写像に基づくハイブリッド量子古典機械学習モデルと、従来のモデルとのアンサンブル統合を用いて、クレジットカードのデフォルト予測の問題を調べる。 以上の結果から,予測された量子的特徴に基づくアンサンブルモデルでは,"Composite Default Risk"(CDR)メトリックで表される純粋に古典的な結果がわずかに改善できることが示唆された。 さらに,研究対象の量子古典的機械学習技術の適用性について検討し,その実装に関するオープンな疑問に対処する。

関連論文リスト

• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• 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 Reservoir Computing for Realized Volatility Forecasting [0.6249768559720121]
  量子貯水池計算は、非線形時間依存をモデル化するための機械学習と量子計算を組み合わせる。 本研究では,量子貯水池計算のボラティリティ予測への応用について検討する。 以上の結果から,提案手法は様々な指標のベンチマークモデルより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-05-20T05:02:13Z)
• Empowering Credit Scoring Systems with Quantum-Enhanced Machine Learning [0.0]
  量子カーネルは、量子機械学習にアーリーステージの有用性を提供するために計画されている。 古典的なモデルは データが不足し 歪んでしまえば 苦労します 量子特徴空間は、予測されるデータ特徴とターゲットクラスの間のより良いリンクを見つけるために投影される。
  論文  参考訳（メタデータ） (2024-03-15T16:42:03Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• 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。