Zusammenfassung - FD4QC: Anwendungen klassischer und Quanten-hybrider Maschinenlernen für die Erkennung von Finanzbetrug Ein technischer Bericht

FD4QC: Anwendungen klassischer und Quanten-hybrider Maschinenlernen für die Erkennung von Finanzbetrug Ein technischer Bericht

2025-07-25 16:08:22

{"Matteo Cardaioli","Luca Marangoni","Giada Martini","Francesco Mazzolin","Luca Pajola","Andrea Ferretto Parodi","Alessandra Saitta","Maria Chiara Vernillo"}

{cs.LG,cs.CE}

Dieser technische Bericht untersucht die Effektivität klassischer, quantenbasierter und quantenhybrider Maschinenlernmodelle zur Erkennung von Finanzbetrug. Die Autoren entwickeln ein umfassendes Framework zur Verhaltensmerkmalserstellung, um Rohtransaktionsdaten in ein reichhaltiges, beschreibendes Merkmalsset zu transformieren. Anschließend implementieren und bewerten sie eine Vielzahl von Modellen auf dem IBM Anti-Money Laundering (AML)-Dataset, einschließlich Logistischer Regression, Entscheidungsbaum, Random Forest, XGBoost, Quanten-Support-Vektor-Maschine (QSVM), Variabler Quanten-Klassifikator (VQC) und Hybrider Quanten-Neuronaler Netzwerk (HQNN). Die Ergebnisse zeigen, dass klassische baumbasierte Modelle, insbesondere Random Forest, im aktuellen Setup die quantenbasierten Modelle erheblich übertreffen, indem sie eine hohe Genauigkeit (97,34%) und einen F-Maßwert (86,95%) erreichen. Unter den quantenbasierten Modellen zeigt QSVM die größten Chancen, indem er eine hohe Präzision (77,15%) und eine niedrige Falsch-Positiv-Rate (1,36%) liefert, obwohl die Erinnerung niedriger ist und erhebliche Rechenlasten verursacht. Die Autoren schlagen vor, Fraud Detection for Quantum Computing (FD4QC), eine praktische, API-gesteuerte Systemarchitektur für die reale Welt, einzuführen. FD4QC zeichnet sich durch eine "klassische-zuerst, quantenverbesserte" Philosophie mit robusten Rückfallmechanismen aus. Der Bericht bietet einen Benchmark für eine reale finanzielle Anwendung, hebt die aktuellen Limitationen des quantenbasierten Maschinenlernens in diesem Bereich hervor und skizziert vielversprechende Richtungen für zukünftige Forschung. Schlüsselpunkte: - Die Studie vergleicht klassische, quantenbasierte und quantenhybride Maschinenlernmodelle zur Erkennung von Finanzbetrug. - Klassische baumbasierte Modelle übertreffen im aktuellen Setup quantenbasierte Modelle. - QSVM zeigt großes Potenzial als quantenbasiertes Modell zur Betrugsbekämpfung. - Die Autoren schlagen FD4QC, eine praktische Systemarchitektur für die reale Welt, vor. - Der Bericht hebt die aktuellen Limitationen des quantenbasierten Maschinenlernens in diesem Bereich hervor und skizziert vielversprechende Richtungen für zukünftige Forschung.