論文の概要: FiD-QAE: A Fidelity-Driven Quantum Autoencoder for Credit Card Fraud Detection

• arxiv url: http://arxiv.org/abs/2512.12689v1
• Date: Sun, 14 Dec 2025 13:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.383017
• Title: FiD-QAE: A Fidelity-Driven Quantum Autoencoder for Credit Card Fraud Detection
• Title（参考訳）: FiD-QAE:クレジットカード不正検出のための忠実度駆動型量子オートエンコーダ
• Authors: Mansour El Alami, Adam Innan, Nouhaila Innan, Muhammad Shafique, Mohamed Bennai,
• Abstract要約: 本稿では、異常検出の判定基準として、忠実度推定を利用する量子アーキテクチャ、Fidelity-based Quantum Autoencoder (FiD-QAE)を紹介する。 トランザクションは量子状態にエンコードされ、変動量子回路を通じて圧縮され、SWAPテストを使用して不正取引と正当な区別を行う。 その結果、FiD-QAEは、異なる不均衡レベルにわたって一貫した性能を維持し、ノイズ条件下で頑健性を維持することがわかった。
• 参考スコア（独自算出の注目度）: 2.063079740825497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Credit card fraud detection is a critical task in financial security, as fraudulent transactions are rare, highly imbalanced, and often resemble legitimate ones. A wide range of classical machine learning methods, as well as more recent quantum machine learning approaches, have been investigated to address this challenge, each providing valuable progress but also leaving open questions regarding scalability, robustness, and adaptability to evolving fraud patterns. In this work, we introduce the Fidelity-based Quantum Autoencoder (FiD-QAE), a quantum architecture that employs fidelity estimation as the decision criterion for anomaly detection. Transactions are encoded into quantum states, compressed through a variational quantum circuit, and evaluated using the SWAP test to distinguish legitimate from fraudulent transactions. We conduct a comprehensive evaluation of FiD-QAE, including statistical analyses, multiple performance metrics, and robustness tests under quantum noise models. The results show that FiD-QAE maintains consistent performance across different imbalance levels and preserves robustness in noisy conditions. Moreover, validation on IBM Quantum hardware backends confirms the feasibility of our approach on real devices, with outcomes consistent with simulation. These findings position quantum fidelity as a powerful criterion for anomaly detection and highlight FiD-QAE as a promising direction that complements existing classical and quantum approaches, offering robustness and generalizability for financial fraud detection in realistic environments.
• Abstract（参考訳）: クレジットカード詐欺検出は金融セキュリティにおいて重要な課題であり、不正取引はまれであり、非常に不均衡であり、しばしば合法的な取引に似ている。 従来の機械学習手法や最近の量子機械学習アプローチは、この課題に対処するために研究されており、それぞれに価値ある進歩を提供すると同時に、拡張性、堅牢性、不正パターンの進化への適応性に関するオープンな疑問も残されている。 本研究では、異常検出の判定基準としてフィデリティ推定を利用する量子アーキテクチャ、Fidelity-based Quantum Autoencoder (FiD-QAE)を紹介する。 トランザクションは量子状態にエンコードされ、変動量子回路を通じて圧縮され、SWAPテストを使用して不正取引と正当な区別を行う。 本研究では, 統計的解析, 複数の性能指標, 量子ノイズモデルによるロバストネステストを含む, 総合的なFiD-QAE評価を行う。 その結果、FiD-QAEは、異なる不均衡レベルにわたって一貫した性能を維持し、ノイズ条件下で頑健性を維持することが明らかとなった。 さらに、IBM Quantumハードウェアバックエンドの検証は、実際のデバイスにおける我々のアプローチの実現可能性を確認し、その結果はシミュレーションと一致している。 これらの知見は、量子忠実性を異常検出の強力な基準として位置づけ、FiD-QAEを既存の古典的および量子的アプローチを補完する有望な方向として強調し、現実的な環境での金融詐欺検出の堅牢性と一般化性を提供する。

関連論文リスト

• Trustworthy Quantum Machine Learning: A Roadmap for Reliability, Robustness, and Security in the NISQ Era [3.1351527202068445]
  この研究は、TQML(Trustworthy Quantum Machine Learning)の幅広いロードマップを提供する。 i) 校正およびリスク対応意思決定のための不確実な定量化、(ii) 古典的および量子ネイティブな脅威モデルに対する堅牢性、(iii) 分散および委譲された量子学習シナリオにおけるプライバシー保護の3つの基本的柱を統合する。 このロードマップは、信頼性を量子AIの第一級設計目標として定義することを目指している。
  論文  参考訳（メタデータ） (2025-11-04T14:24:17Z)
• Quantum Gated Recurrent GAN with Gaussian Uncertainty for Network Anomaly Detection [10.435718832887988]
  時系列データの異常検出は、ネットワークセキュリティに重要な意味を持つ重要な課題である。 最近の量子機械学習アプローチでは、異常検出のための複雑なデータ分布をキャプチャするが、制限されたキュービット数によって制限される。 本稿では,QGRU(Quantum Gated Recurrent Unit)をベースとしたGAN(Generative Adversarial Network)によるネットワーク異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-30T13:39:44Z)
• 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)
• 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)
• 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)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)
• Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
  証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。 我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。 任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
  論文  参考訳（メタデータ） (2022-03-30T02:02:16Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)

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。