論文の概要: Q-SYNTH: Hybrid Quantum-Classical Adversarial Augmentation for Imbalanced Fraud Detection

• arxiv url: http://arxiv.org/abs/2605.21164v1
• Date: Wed, 20 May 2026 13:32:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.696338
• Title: Q-SYNTH: Hybrid Quantum-Classical Adversarial Augmentation for Imbalanced Fraud Detection
• Title（参考訳）: Q-SYNTH:不均衡フラッド検出のためのハイブリッド量子-古典的逆数拡張
• Authors: Adam Innan, Mansour El Alami, Nouhaila Innan, Muhammad Shafique, Mohamed Bennai,
• Abstract要約: クレジットカード不正検出は、極端な階級不均衡によって根本的な課題となる。 本稿では,Q-SYNTHについて紹介する。
• 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 fundamentally challenged by extreme class imbalance, where fraudulent transactions are rare yet operationally critical. This imbalance often biases supervised learners toward the legitimate class, leading to high overall accuracy but weaker fraud-class recall and F1-score. This paper introduces Q-SYNTH, a hybrid classical--quantum generative adversarial framework in which a parameterized quantum circuit serves as the generator and a classical neural network serves as the discriminator. Q-SYNTH is designed for minority-class fraud synthesis in tabular data and is evaluated along two dimensions: statistical fidelity to real fraud samples and downstream performance for fraud detection. To this end, generated samples are assessed using distributional similarity measures based on Kolmogorov-Smirnov statistics and Wasserstein distances, real-vs-synthetic detectability measured by AUC-ROC, and downstream classification performance across both quantum and classical classifiers. Under the reported protocol, Q-SYNTH reduces marginal distribution mismatch relative to a classical GAN baseline while maintaining competitive downstream fraud-detection performance. Although SMOTE achieves the strongest feature-wise similarity and the classical GAN attains the highest downstream performance in several settings, Q-SYNTH offers a favorable compromise between distributional fidelity and downstream performance, supporting the feasibility of hybrid quantum augmentation for imbalanced fraud detection.
• Abstract（参考訳）: クレジットカード不正検出は、不正取引が稀だが運用上重要な極度の不均衡によって、基本的には困難である。 この不均衡はしばしば、教師付き学習者が正統なクラスに偏り、全体的な精度は高いが不正クラスのリコールやF1スコアは弱くなる。 本稿では、パラメータ化量子回路がジェネレータとして機能し、古典ニューラルネットワークが判別器として機能するハイブリッド古典量子生成逆数フレームワークQ-SYNTHを紹介する。 Q-SYNTHはグラフデータによるマイノリティーな不正合成のために設計され、実際の不正サンプルに対する統計的忠実度と不正検出のための下流性能の2つの次元で評価される。 この目的のために、Kolmogorov-Smirnov統計およびWasserstein距離に基づく分布類似度測定、AUC-ROCによる実Vs合成検出性、および量子および古典的分類器間の下流分類性能を用いて、生成されたサンプルを評価した。 報告されたプロトコルでは、Q-SYNTHは、競争力のある下流不正検出性能を維持しながら、古典的なGANベースラインに対する限界分布ミスマッチを低減する。 SMOTEは機能的類似性が最強であり、古典的なGANはいくつかの設定で最高ダウンストリーム性能を達成するが、Q-SYNTHは分散忠実度と下流性能の良好な妥協を提供し、不均衡な不正検出のためのハイブリッド量子拡張の実現性をサポートする。

関連論文リスト

• Hybrid Quantum-Classical GANs for the Generation of Adversarial Network Flows [0.0]
  本稿では、悪意のあるトラフィックを模倣した合成ネットワークトラフィックフローを生成するためのハイブリッド量子古典的GAN(QC-GAN)フレームワークを提案する。 従来の判別器は、現実世界のデータセットと提案されたQC-GAN生成のフェイクネットワークフローに基づいて訓練される。 攻撃モデルでは、攻撃者は量子コンピューティング能力に制限がある状態アクターであり、識別器は古典的であると仮定する。
  論文  参考訳（メタデータ） (2026-05-07T17:43:25Z)
• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Quantum Machine Learning Approaches for Coordinated Stealth Attack Detection in Distributed Generation Systems [0.0]
  コーディネートステルス攻撃は、分散型システムにとって深刻なサイバーセキュリティの脅威である。 本研究では,マイクログリッドにおける分散生成ユニットにおける協調ステルス攻撃検出のための量子機械学習手法について検討した。
  論文  参考訳（メタデータ） (2025-12-30T18:32:13Z)
• 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)
• 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)
• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)

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。