論文の概要: IQNN-CS: Interpretable Quantum Neural Network for Credit Scoring

• arxiv url: http://arxiv.org/abs/2510.15044v1
• Date: Thu, 16 Oct 2025 18:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.341385
• Title: IQNN-CS: Interpretable Quantum Neural Network for Credit Scoring
• Title（参考訳）: IQNN-CS:Credit Scoringのための解釈可能な量子ニューラルネットワーク
• Authors: Abdul Samad Khan, Nouhaila Innan, Aeysha Khalique, Muhammad Shafique,
• Abstract要約: マルチクラス信用リスク分類のための解釈可能な量子ニューラルネットワークフレームワークであるIQNN-CSを提案する。 ICAAは、予測クラス間で属性のばらつきを定量化し、モデルが信用リスクカテゴリをいかに区別するかを明らかにする新しい計量である。 本結果は、財務意思決定のための透明で説明可能なQMLモデルへの実践的な道のりを浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 2.2133667529581933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Credit scoring is a high-stakes task in financial services, where model decisions directly impact individuals' access to credit and are subject to strict regulatory scrutiny. While Quantum Machine Learning (QML) offers new computational capabilities, its black-box nature poses challenges for adoption in domains that demand transparency and trust. In this work, we present IQNN-CS, an interpretable quantum neural network framework designed for multiclass credit risk classification. The architecture combines a variational QNN with a suite of post-hoc explanation techniques tailored for structured data. To address the lack of structured interpretability in QML, we introduce Inter-Class Attribution Alignment (ICAA), a novel metric that quantifies attribution divergence across predicted classes, revealing how the model distinguishes between credit risk categories. Evaluated on two real-world credit datasets, IQNN-CS demonstrates stable training dynamics, competitive predictive performance, and enhanced interpretability. Our results highlight a practical path toward transparent and accountable QML models for financial decision-making.
• Abstract（参考訳）: 信用スコアリング(Credit score)は、個人による信用のアクセスに直接影響を与え、厳格な規制監視を受ける金融サービスにおける高い評価課題である。 量子機械学習(QML)は、新しい計算機能を提供するが、ブラックボックスの性質は、透明性と信頼性を要求するドメインの採用に課題をもたらす。 本研究では,多クラス信用リスク分類用に設計された解釈可能な量子ニューラルネットワークフレームワークであるIQNN-CSを提案する。 このアーキテクチャは、変動QNNと、構造化データに適したポストホックな説明技法を組み合わせたものである。 QMLにおける構造的解釈可能性の欠如に対処するため,予測クラス間での属性のばらつきを定量化する新しい尺度であるInter-Class Attribution Alignment (ICAA)を導入し,モデルが信用リスクカテゴリをいかに区別するかを明らかにする。 IQNN-CSは、現実の2つのクレジットデータセットに基づいて、安定したトレーニングダイナミクス、競合予測性能、強化された解釈可能性を示す。 本結果は、財務意思決定のための透明で説明可能なQMLモデルへの実践的な道のりを浮き彫りにしている。

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)
• Comparative Performance Analysis of Quantum Machine Learning Architectures for Credit Card Fraud Detection [3.5418331252013897]
  本研究では3つのQML分類器の性能に異なる量子特徴写像とアンザッツ構成がどう影響するかを検討する。 VQCは引き続き強力な分類結果を示し、F1スコアは0.88であり、SQNNも有望な結果をもたらす。 対照的に、EQNNは、非標準化されたデータによってもたらされる課題を強調しながら、堅牢な結果を生み出すのに苦労している。
  論文  参考訳（メタデータ） (2024-12-27T04:17:34Z)
• LEP-QNN: Loan Eligibility Prediction using Quantum Neural Networks [4.2435928520499635]
  我々は、量子ニューラルネットワーク(LEP-QNN)を用いたローン適性予測に量子機械学習(QML)を用いる新しいアプローチを提案する。 私たちの革新的なアプローチは、単一の包括的なデータセットからローンの適格性を98%の精度で予測します。 本研究は、金融予測におけるQMLの可能性を示し、QML技術の進歩のための基礎的なガイドを確立する。
  論文  参考訳（メタデータ） (2024-12-04T09:35:03Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 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認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• QIXAI: A Quantum-Inspired Framework for Enhancing Classical and Quantum Model Transparency and Understanding [0.0]
  ディープラーニングモデルは、解釈可能性の欠如によってしばしば妨げられ、それらを"ブラックボックス"にする。 本稿では、量子インスピレーションによるニューラルネットワークの解釈性向上のための新しいアプローチであるQIXAIフレームワークを紹介する。 このフレームワークは量子システムと古典システムの両方に適用され、様々なモデルにおける解釈可能性と透明性を改善する可能性を示している。
  論文  参考訳（メタデータ） (2024-10-21T21:55:09Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)
• 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)
• Neural Network-based Automatic Factor Construction [58.96870869237197]
  本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。 NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。 NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
  論文  参考訳（メタデータ） (2020-08-14T07:44:49Z)

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。