論文の概要: QuantumChain: Blockchain-Backed Quantum Federated Learning for Financial Fraud Detection
- arxiv url: http://arxiv.org/abs/2607.21449v1
- Date: Thu, 23 Jul 2026 15:52:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.469425
- Title: QuantumChain: Blockchain-Backed Quantum Federated Learning for Financial Fraud Detection
- Title（参考訳）: QuantumChain: ブロックチェーンによる金融詐欺検出のための量子フェデレーション学習
- Abstract要約: 金融詐欺検出は、分散化されたデータ、厳しい階級不均衡、プライバシーの制約によって困難にさらされている。
本稿では,ハイブリッド量子古典ニューラルネットワークを組み合わせたセキュアな量子フェデレート学習フレームワークQuantumChainを提案する。
その結果、HQNNは、ほとんどの設定で不正クラスのリコールを改善しながら、同等の精度を実現していることがわかった。
- 参考スコア（独自算出の注目度）: 2.063079740825497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial fraud detection is challenged by decentralized data, severe class imbalance, and privacy constraints. This paper presents QuantumChain, a secure Quantum Federated Learning (QFL) framework that combines hybrid quantum-classical neural networks, encrypted federated aggregation, blockchain-based auditability, and quantum-secure communication. Each client trains a local hybrid model in which a variational quantum circuit is embedded between classical neural layers, while model updates are protected through homomorphic encryption, threshold secret sharing, and QKD-based keying. A permissioned blockchain records aggregation events and supports reputation-weighted trust among participants. We evaluate QuantumChain on financial transaction data using a compact, size-matched classical baseline to isolate the effect of the quantum layer. Results show that the HQNN achieves comparable accuracy while improving fraud-class recall in most settings, reaching 94.6% recall compared with 93.2% for the classical model. The Deep QLayer improves performance in full-data settings, suggesting that added circuit depth helps recover representational capacity when the shallow circuit becomes limited. Mixed-state simulations further show that the recall trend persists under non-ideal quantum evolution. In federated deployment with 10 heterogeneous clients, global accuracy increases from 97.7% to 98.8% over five rounds before stabilizing. These results show that QuantumChain can integrate depth-aware hybrid quantum models into a secure federated fraud-detection pipeline while maintaining stable global convergence.
- Abstract（参考訳）: 金融詐欺検出は、分散化されたデータ、厳しい階級不均衡、プライバシーの制約によって解決される。
本稿では,ハイブリッド量子古典ニューラルネットワーク,暗号化フェデレーション集約,ブロックチェーンベースの監査性,量子セキュア通信を組み合わせたセキュアな量子フェデレーション学習(QFL)フレームワークであるQuantumChainを提案する。
各クライアントは、変分量子回路が古典的なニューラルネットワーク層の間に埋め込まれたローカルハイブリッドモデルをトレーニングし、モデル更新は同型暗号化、しきい値秘密共有、QKDベースのキーによって保護される。
認可されたブロックチェーンは、アグリゲーションイベントを記録し、参加者間の評判重視の信頼をサポートする。
我々は、量子層の効果を分離するために、コンパクトでサイズが整った古典的ベースラインを用いて、金融取引データ上でQuantumChainを評価する。
その結果、HQNNは、ほとんどの設定において詐欺クラスのリコールを改善しながら同等の精度を達成し、従来のモデルでは93.2%と94.6%のリコールを達成した。
Deep QLayerは、完全なデータ設定のパフォーマンスを改善し、浅い回路が制限されたときに、追加の回路深度が表現能力の回復に役立つことを示唆している。
混合状態シミュレーションは、リコールの傾向が非理想的量子進化の下で持続することを示している。
10の異種クライアントによるフェデレーションでは、グローバルな精度は5回のラウンドで97.7%から98.8%まで上昇し、安定する。
これらの結果から,QuantumChainは,安定なグローバル収束を維持しつつ,深度を考慮したハイブリッド量子モデルをセキュアなフェデレーション付き不正検出パイプラインに統合できることが示唆された。
関連論文リスト
- Towards Practical Quantum Federated Learning: Enhancing Efficiency and Noise Tolerance [0.0]
フェデレートラーニング(FL)は、プライバシ保護のための分散モデルトレーニングを可能にするが、勾配インバージョンやモデル漏洩攻撃には脆弱である。
パラメータアグリゲーションのための情報理論セキュリティを提供するために量子通信が提案されている。
本稿では,量子フェデレーション学習におけるコミュニケーション・コンバージェンス・ノイズトレードオフの定量的研究について述べる。
論文 参考訳（メタデータ） (2026-03-04T09:04:10Z) - 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) - Readout-Side Bypass for Residual Hybrid Quantum-Classical Models [3.609274776085931]
量子機械学習(QML)はコンパクトで表現力のある表現を約束するが、測定ボトルネックに悩まされる。
本稿では,分類前の生入力で量子的特徴を確認可能な,軽量な残差ハイブリッドアーキテクチャを提案する。
我々のモデルは、低通信コストとプライバシーの堅牢性を保ちながら、量子ベースラインよりも最大で55%精度が向上する。
論文 参考訳（メタデータ） (2025-11-25T23:27:53Z) - Towards Quantum-Ready Blockchain Fraud Detection via Ensemble Graph Neural Networks [0.0]
グラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、グラフ同型ネットワーク(GIN)を統合したアンサンブルフレームワークを提案する。
実世界の楕円型データセットを用いて、調整されたソフト投票アンサンブルは、1%未満の偽陽性率を維持しながら不正取引の高いリコールを実現する。
論文 参考訳（メタデータ） (2025-09-27T04:17:23Z) - 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) - Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。
実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
論文 参考訳（メタデータ） (2025-04-29T14:41:41Z) - Quantum Token Obfuscation via Superposition: A Post-Quantum Security Framework Using Multi-Basis Verification and Entropy-Driven Evolution [0.0]
トークン難読化を含む従来の暗号技術は、量子攻撃に対してますます脆弱である。
本研究では,重ね合わせとマルチバス検証を利用したトークン難読化手法を提案する。
論文 参考訳（メタデータ） (2024-11-02T14:05:20Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z)
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。