論文の概要: Quantum Machine Learning for Few-Shot Impersonation Detection in Digital Account Opening
- arxiv url: http://arxiv.org/abs/2610.07242v1
- Date: Mon, 05 Oct 2026 18:43:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.601894
- Title: Quantum Machine Learning for Few-Shot Impersonation Detection in Digital Account Opening
- Title（参考訳）: デジタルアカウントオープニングにおけるFew-Shot疑似検出のための量子機械学習
- Abstract要約: 身元偽造詐欺は、デジタル口座の開設後にのみ発生する可能性がある。
確認されたケースは依然として稀であり、デジタル銀行にとって極端な階級不均衡と物質的運用上のリスクを生み出している。
本研究では、量子機械学習(QML)を古典的な一級法と比較した。
- 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: Identity impersonation fraud may emerge only after digital account opening, requiring an early post-onboarding approach based on behavioral and transactional signals observed shortly after activation. Confirmed cases remain rare, creating extreme class imbalance and material operational risk for digital banks. We evaluate quantum machine learning (QML) against classical one-class methods in this setting using a real 2025 cohort of 3,419 digital account openings from Banco de Creditos e Inversiones (BCI), Chile, including 8 confirmed impersonation-fraud cases (0.23% prevalence). The data were provided through an industry-research collaboration between BCI and CoreDevX LABTAV under operational constraints. The best-performing configuration used only 2 qubits and was executed on CoreDevX's SpinQ Triangulum II, a 3-qubit nuclear magnetic resonance (NMR) device, enabling hardware validation beyond classical simulation. The quantum one-class classifier based on Automatic Quantum Feature Mapping (AQFM) achieves 88% recall (7 of 8 frauds detected) and 9.21% precision, corresponding to approximately 70% fewer false positives than the best-performing classical baseline at comparable recall. When its 2025-calibrated decision threshold is applied unchanged to the independent 2026 cohort, AQFM detects 20 of 31 frauds (64.5% recall) with 8.81% precision and remains the best-performing model among those evaluated.
- Abstract（参考訳）: アイデンティティの偽造詐欺は、デジタルアカウントの開設後のみ発生し、アクティベーション直後に観察された行動やトランザクションの信号に基づいて、初期的なポストオンボーディングアプローチを必要とする。
確認されたケースは依然として稀であり、デジタル銀行にとって極端な階級不均衡と物質的運用上のリスクを生み出している。
チリのBanco de Creditos e Inversiones (BCI) から, 実際の2025コホート3,419個のデジタルアカウントオープニングを用いて, 古典的な一級法と比較して量子機械学習(QML)を評価した。
データは、運用上の制約の下で、BCIとCoreDevX LABTAVの業界調査のコラボレーションを通じて提供された。
最も性能の良い構成は2キュービットしか使用せず、CoreDevXの3キュービット核磁気共鳴(NMR)デバイスであるSpinQ Triangulum IIで実行され、古典的なシミュレーション以上のハードウェア検証を可能にした。
自動量子特徴マッピング(AQFM)に基づく量子一級分類器は、88%のリコール(検出された8つの不正のうち7つ)と9.21%の精度を達成する。
2025年に校正された決定しきい値が独立の2026コホートに変化しない場合、AQFMは8.81%の精度で31の詐欺(64.5%のリコール)の20を検知し、評価対象のうち最高のパフォーマンスモデルのままである。
関連論文リスト
- Comparative Study of Quantum and Classical Machine Learning Models in Binary Classification [0.0]
量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと古典的な機械学習を併用して、計算効率を向上させることを目的としている。
本稿では,変分量子カーネル(VQC)と量子支援ベクトルマシン(QSVM)の2つの異なる量子分類器を,古典的分類器をベースラインとして比較する。
量子回路はPennyLaneフレームワークで作られ、古典的なバックエンド上でシミュレートされた。
論文 参考訳（メタデータ） (2026-09-20T09:01:47Z) - CASCADE: An Agentic Regulatory Network Framework for Patient-Data-Validated Downstream Perturbation Prediction [0.0]
我々は、実際のTCGA患者の腫瘍データに対するノックダウンの逆転のプロキシとして、焦点遺伝子コピーナンバーアンプリフィケーション(cuscus-gene copy-number amplification)を用いる。
MYCの場合、CASCADEの予測されたノックダウンターゲットは、実際のvs非増幅腫瘍の発現と強い一致を示した。
その精度は、MYCまたはE2F駆動生物学の既存の公的な知識を超えないことが示されている。
論文 参考訳（メタデータ） (2026-08-05T19:30:44Z) - Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。
以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。
我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
論文 参考訳（メタデータ） (2026-07-30T16:22:13Z) - Traceable LLM Reasoning for Fake-Order Fraud Detection [11.019324159065015]
DeepScrubは、大規模言語モデルに基づいて構築された強化学習フレームワークである。
現実の偽オーダー不正検出データセットでは、DeepScrubはマクロF1スコア85.3%を獲得し、最高のベースラインを2.7%上回っている。
4週間のパイロット試験で、DeepScrubは91.8%の精度と88.5%のリコールを達成した。
論文 参考訳（メタデータ） (2026-07-25T06:51:02Z) - An AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts [0.0]
銀行は同時に署名に基づく詐欺と行動的金融犯罪に直面している。
ブルートフォースや高速なイベントを確実にキャッチする静的ルールエンジンは、ビジネスメールの妥協に対して構造的に盲目である。
本稿では,このギャップに対処する小売・コーポレートバンキングのためのAIセキュリティエージェントを提案する。
論文 参考訳（メタデータ） (2026-06-16T05:58:40Z) - Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence [56.25095230687242]
コーディングエージェントは、しばしば自身のローカル検証ルーチンを過度に信頼し、表面チェックを満たすアーティファクトの成功を宣言する。
この問題は、事前評価が結果駆動である変換において特に深刻である。
ブラインド・コンバージョンは26.7-28.9%に達し、スペック・パスレートは91.1%まで上昇した。
このことは、失敗は限られた予算やバックボーンの強さよりも、契約ミスによる自己検証に起因していることを示唆している。
論文 参考訳（メタデータ） (2026-05-27T19:57:15Z) - ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。
IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。
当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
論文 参考訳（メタデータ） (2026-04-09T10:26:32Z) - A Mixture-of-Experts Framework for Practical Hybrid-Quantum Models in Credit Card Fraud Detection [0.08208704543835962]
本稿では,ハイブリッド量子古典機械学習が,金融詐欺検出性能の実用的な改善をもたらすかどうかを考察する。
Guided Quantumアーキテクチャに基づいて構築されたこのアプローチは、オートエンコーダ、変分量子回路、古典的なニューラルヘッドを統合する。
その結果、量子古典モデルへのトランザクションのルーティングは、現代の金融機関のレイテンシや運用上の制約と互換性を維持しながら不正検出を促進できることが示唆された。
論文 参考訳（メタデータ） (2026-03-06T16:58:23Z) - 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) - Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。
拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
論文 参考訳（メタデータ） (2024-03-07T18:00:40Z)
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。