論文の概要: Hybrid Quantum Algorithms for Trade Surveillance Analytics

• arxiv url: http://arxiv.org/abs/2610.41874v1
• Date: Fri, 30 Oct 2026 15:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.786429
• Title: Hybrid Quantum Algorithms for Trade Surveillance Analytics
• Title（参考訳）: 貿易監視分析のためのハイブリッド量子アルゴリズム
• Abstract要約: 反マネーロンダリング(AML)と貿易監視はほとんど手作業のままである。 古典的ベースラインに対して4つの量子およびハイブリッド分類器をベンチマークする。 量子的優位性はないが、今日のノイズの多いハードウェア上の5ビットハイブリッドは、十分にチューニングされた古典的モデルとすでに一致している。
• 参考スコア（独自算出の注目度）: 0.46672337738271213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anti-money laundering (AML) and trade surveillance remain largely manual: rule-based monitoring raises alerts of which, by estimate, over 95% are false positives, each reviewed by a human analyst. We benchmark four quantum and hybrid classifiers against classical baselines on a synthetic pump-and-dump detection task: a fidelity-based quantum k-nearest-neighbours classifier (QKNN) with clustering-based routing; a quantum support vector machine (QSVM) on a one-body projected quantum kernel; a 20-qubit quantum neural network (QNN) with a Pauli-ZZ feature map and RealAmplitudes ansatz; and a hybrid quantum neural network (HQNN) in which a small classical network generates every rotation angle of a five-qubit circuit. Baselines are logistic regression, XGBoost, one- and three-hidden-layer neural networks, and classical k-nearest neighbours. All models share one stratified split of 1000 accounts (800 train, 200 test, 20% suspicious) and two 20-feature representations (ANOVA and PCA); QKNN and QSVM are also tested under simulated noise, and the HQNN is run on the ibm_fez processor. The best model is classical XGBoost on ANOVA features, at a suspicious-class F1 of 61.4%. The HQNN is the strongest quantum-hybrid model, at 54.5-57.9% F1 on an ideal simulator and 55.4-59.8% on ibm_fez, ahead of six of eight classical configurations; at a 15% false-positive rate, half its alerts are genuinely suspicious. Versus the QNN (42.0% F1), it raises under half the false alarms at similar recall with a quarter of the qubits. The QKNN reaches 43.5% F1 (44.4% under noise), above classical KNN (35.6%); the QSVM does not exceed 41%. We observe no quantum advantage, but a five-qubit hybrid on today's noisy hardware already matches well-tuned classical models, with room to grow via richer circuits and larger devices. We contribute a like-for-like comparison with classical models on shared data, splits and features.
• Abstract（参考訳）: ルールベースの監視は、見積もりによって95%以上が偽陽性であると判断され、それぞれが人間のアナリストによってレビューされる。 合成ポンプ・ダンプ検出タスクにおいて,古典的ベースラインに対する4つの量子およびハイブリッド分類器をベンチマークし,クラスタリングベースのルーティングを備えた忠実性ベースの量子k-nearest-neighbours分類器(QKNN),1体投影量子カーネル上の量子支援ベクトルマシン(QSVM),Pauli-ZZ特徴写像とRealAmplitudes ansatzを備えた20量子量子量子量子ニューラルネットワーク(QNN),5量子回路のすべての回転角を発生させるハイブリッド量子ニューラルネットワーク(HQNN)について検討した。 ベースラインはロジスティック回帰、XGBoost、一層および三層ニューラルネットワーク、古典的なk-アネレスト近傍である。 すべてのモデルは1000アカウント(800列車、200テスト、20%不審)と2つの20機能表現(ANOVAとPCA)の成層分割を共有し、QKNNとQSVMもシミュレートノイズの下でテストされ、HQNNはibm_fezプロセッサ上で実行される。 最高のモデルは古典的なXGBoostのANOVA機能で、疑わしいクラスF1は61.4%である。 HQNNは最も強力な量子ハイブリッドモデルであり、理想的なシミュレータでは54.5-57.9% F1、ibm_fezでは55.4-59.8%であり、8つの古典的構成のうち6つに先行している。 QNN (42.0% F1) では、同じリコールで偽のアラームの半分以下に上昇し、キュービットの4分の1を占める。 QKNNは43.5%のF1(騒音下44.4%)に達し、従来のKNN(35.6%)を上回り、QSVMは41%を超えない。 量子的優位性はないが、今日のノイズの多いハードウェア上の5ビットハイブリッドは、十分に調整された古典的なモデルとすでに一致しており、よりリッチな回路や大きなデバイスで成長する余地がある。 共有データ、分割、機能に関する古典モデルとの類似した比較に貢献する。

関連論文リスト

• Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark [0.9106818059692908]
  イベントトリガーは高エネルギー物理学の中心に位置し、そこでは稀な関心事が維持されなければならない。 この研究は、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期記憶ネットワークの4つの古典的機械学習モデルを比較する。 CMSオープンデータから構築されたトリガのようなバイナリ分類タスク上の4つのハイブリッド量子対向体。
  論文  参考訳（メタデータ） (2026-08-26T15:32:44Z)
• 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)
• Low-Overhead Error-Corrected QCNNs Using Bivariate Bicycle Codes [46.79788938455095]
  量子畳み込みニューラルネットワーク(QCNN)は、量子コンピューティングのパワーと古典的なCNNを組み合わせて、分類タスクの計算スピードアップを行う。 最先端の量子デバイスにおけるノイズレベルは、実用的なQCNNの実行には高すぎる。 本稿では,QCNNに対する距離4 BB量子誤差補正手法を提案する。
  論文  参考訳（メタデータ） (2026-07-07T01:12:38Z)
• 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)
• HQCNN: A Hybrid Quantum-Classical Neural Network for Medical Image Classification [0.0]
  本稿では,二進分類と多進分類のための新しいハイブリッド量子古典ニューラルネットワーク(HQCNN)を提案する。 HQCNNのアーキテクチャは、5層の古典的畳み込みバックボーンと4ビットの変動量子回路を統合している。 このモデルを6つのMedMNIST v2ベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2025-09-16T08:02:53Z)
• Quantum Machine Learning for UAV Swarm Intrusion Detection [25.52804434998647]
  UAV群における侵入検知は、高移動量、非定常交通、重度の階級不均衡によって複雑である。 量子カーネル、変分量子ニューラルネットワーク(QNN)、ハイブリッド量子学習ニューラルネットワーク(QT-NN)の3つのアプローチをベンチマークする。 すべてのモデルは8機能フロー表現を消費し、同じ前処理、バランス、ノイズモデル仮定の下で評価される。 量子カーネルとQT-NNは低データ、非線形なレジームで優れており、QNNはトレーニング容易性の問題に悩まされている。
  論文  参考訳（メタデータ） (2025-09-01T22:36:30Z)
• 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)
• Computational Advantage in Hybrid Quantum Neural Networks: Myth or Reality? [4.635820333232683]
  ハイブリッド量子ニューラルネットワーク(HQNN)は、計算性能を向上させる可能性に注目されている。 量子層は純粋に古典的なモデルよりも計算上の優位性を提供しますか? 本稿では,従来のモデルとハイブリッドモデルがアーキテクチャの複雑さを増す問題にどのように適応するかを考察する。
  論文  参考訳（メタデータ） (2024-12-06T12:31:04Z)
• 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)
• QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
  量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。 QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。 QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:11:28Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)

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。