論文の概要: Benchmarking Quantum Kernel SVMs for Credit Card Fraud Detection: Performance Realities Under NISQ Constraints

• arxiv url: http://arxiv.org/abs/2610.17027v1
• Date: Mon, 12 Oct 2026 16:05:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.40513
• Title: Benchmarking Quantum Kernel SVMs for Credit Card Fraud Detection: Performance Realities Under NISQ Constraints
• Title（参考訳）: クレジットカード不正検出のための量子カーネルSVMのベンチマーク:NISQ制約下での性能実例
• Abstract要約: 量子機械学習(QML)は、古典的なデータをヒルベルト空間に埋め込むことによって、よりリッチな特徴表現を約束する。 我々は,従来のモデルと比較した3つの量子符号化,Angle,ZZFeatureMap,IQPを比較したベンチマークを設計する。 QSVMのハードウェア制約(500サンプル、4PCA機能)に適合する古典モデルの制限により、PR-AUCは0.750に低下した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting credit card fraud is notoriously difficult because fraudulent charges make up less than 0.2% of total transactions. Quantum Machine Learning (QML), particularly Quantum Kernel Support Vector Machines (QSVM), promises richer feature representations by embedding classical data into high-dimensional Hilbert spaces. However, whether this theoretical advantage holds up when managing real-world financial data bottlenecks remains unclear. We designed a controlled benchmark comparing three quantum encodings, Angle, ZZFeatureMap, and IQP against classical models while keeping sample sizes, feature counts, and scaling strictly matched. To handle class skew without corrupting quantum state overlaps, we embedded synthetic minority oversampling (SMOTE) directly into the quantum Gram matrix workflow, raising PR-AUC scores by roughly +0.04 across feature maps. When trained on the full European credit card dataset with 30 features, classical baselines reached a top PR-AUC of 0.983. However, restricting classical models to match QSVM hardware constraints (500 samples, 4 PCA features) dropped their PR-AUC to 0.750. This puts our best quantum result 0.730 PR-AUC using IQP encoding on 150 samples into realistic context. Testing on physical quantum hardware reduced performance further to 0.62 due to CNOT gate errors and thermal noise. Overall, our findings pinpoint two main operational bottlenecks for near-term quantum kernels: the scaling of Gram matrix evaluation and heavy information loss from squeezing features onto small qubit registers.
• Abstract（参考訳）: クレジットカード詐欺の検出は、詐欺罪が取引全体の0.2%未満を占めるため、非常に難しい。 QML(Quantum Machine Learning)、特にQuantum Kernel Support Vector Machines(QSVM)は、古典的なデータを高次元ヒルベルト空間に埋め込むことによって、よりリッチな特徴表現を約束する。 しかし、この理論上の優位性は、実際の金融データのボトルネックを管理する際にも維持されるかどうかは不明だ。 サンプルサイズ,特徴数,スケーリングの厳密な一致を維持しながら,従来のモデルと比較した3つの量子符号化,Angle,ZZFeatureMap,IQPを比較した。 量子状態の重なりを損なうことなくクラススキューを処理するために、SMOTE(Synthetic minor oversampling)を直接量子グラム行列ワークフローに組み込み、特徴写像全体のPR-AUCスコアを約0.04上昇させた。 ヨーロッパのクレジットカードデータセットを30の特徴でトレーニングすると、古典的なベースラインは0.983のPR-AUCに到達した。 しかし、QSVMのハードウェア制約(500のサンプル、4つのPCA機能)に適合する古典的なモデルを制限することで、PR-AUCは0.750に低下した。 これにより、150サンプルのIQPエンコーディングを使用して、最高の量子結果 0.730 PR-AUC を現実的なコンテキストにします。 物理量子ハードウェアのテストにより、CNOTゲートエラーとサーマルノイズにより、さらなる性能が0.62に低下した。 概して, 短期量子カーネルの運用上のボトルネックとして, グラム行列評価のスケーリングと, スクイーズ機能から小さなキュービットレジスタへの重情報損失の2つが挙げられている。

関連論文リスト

• Discretization-Aware Fine-Tuning for Quantum Machine Learning with Chemical Foundation Models [0.0]
  実用的な量子機械学習(QML)の鍵となる課題は、高次元の古典データを小さな量子レジスタにエンコードする、短期的な量子デバイスの限られた能力である。 本稿では, 離散化対応微調整(DAFT)を導入し, 事前学習した化学基礎モデルを適用して, 量子化後の情報化を継続する表現を生成する手法を提案する。 我々は、同一の離散化ビットストリング入力を受ける制御された条件下で、量子モデルと古典モデルの両方を評価する。
  論文  参考訳（メタデータ） (2026-09-02T23:36:29Z)
• How Quantum Is the Advantage? A Fair, Calibration- and Noise-Aware Benchmark and Attribution Audit of Quantum Machine Learning for Network Intrusion Detection [0.0]
  ネットワーク侵入検出のための量子機械学習は、ほぼ完全な精度に達するように定期的に報告される。 多くの厳密な研究は、よく調整された古典的なモデルは競争力を維持している。 本稿では,ハイブリッド変分量子回路の評価を行う,統一的で再現可能なQML-IDSベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-08-13T07:44:35Z)
• Investigating Quantum-Embedded Transformers on Classical Datasets for Cross-Modality Classification [1.472161528588343]
  パラメタライズド量子回路(PQC)が古典的データセット上でのハイブリッド量子古典モデルの性能を向上させるかどうかを検証する。 我々のアーキテクチャであるQuantum-Embedded Attention (QEA)は学習可能なプロジェクタを用いてバックボーンの機能を$n_q$-dimensional角ベクトルに圧縮する。 提案手法では,全ての標準実行を報告し,現在のパウリ可読化結果と従来の確率可読化実験とを区別し,ボトルネック,シミュレーション,有限ショット,雑音の制限を解析する。
  論文  参考訳（メタデータ） (2026-08-07T06:09:28Z)
• Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
  我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。 最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-17T16:54:25Z)
• The Fourier Wall: Why Public Tabular Datasets Refuse Quantum Advantage, and a Certified Recipe for Where It Lives [0.0]
  量子機械学習モデルは通常、注意深く調整された古典的なベースラインを失う。 シミュレーション不要な構造画面であるSPECTRAとして条件を運用する。 工業用スマートメーターデータでは、SPECTRAは実際のピーク負荷目標を正しく拒否し、勾配木は0.999のROC-AUCに達する。
  論文  参考訳（メタデータ） (2026-07-17T10:24:57Z)
• Few-Shot Cross-Device Transfer for Quantum Noise Modeling on Real Hardware [0.0]
  我々は,ある量子デバイスで学習したノイズモデルを,少量のデータを用いて別のデバイスに適用するための伝達学習手法を探究する。 その結果、最小限のサンプルで量子ノイズを学習し、微調整できることが示され、クロスデバイスな量子エラー軽減のための妥当なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-04-27T12:23:14Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
  量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
  論文  参考訳（メタデータ） (2024-12-30T20:23:10Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• 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)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)

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。