Resumen - FD4QC: Aplicación de Aprendizaje Automático Clásico y Cuántico-Híbrido para la Detección de Fraude Financiero Un Informe Técnico

FD4QC: Aplicación de Aprendizaje Automático Clásico y Cuántico-Híbrido para la Detección de Fraude Financiero Un Informe Técnico

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}

Este informe técnico investiga la eficacia de modelos de aprendizaje automático clásicos, cuánticos y cuántico-híbridos para la detección de fraude financiero. Los autores desarrollan un marco de ingeniería de características comportamentales exhaustivo para transformar los datos de transacciones en un conjunto de características rico y descriptivo. Luego implementan y evalúan una gama de modelos en el conjunto de datos de Anti-Lavado de Dinero (AML) de IBM, incluyendo Regresión Logística, Árbol de Decisión, Bosque Aleatorio, XGBoost, Máquina de Soporte Vectorial Cuántica (QSVM), Clasificador Cuántico Variancial (VQC) y Red Neuronal Cuántica Híbrida (HQNN). Los resultados demuestran que los modelos basados en árboles clásicos, especialmente el Bosque Aleatorio, superan significativamente a los modelos cuánticos en la configuración actual, alcanzando una alta precisión (97.34%) y una medida F (86.95%). Entre los modelos cuánticos, QSVM muestra la mayor promesa, proporcionando una alta precisión (77.15%) y una baja tasa de falsos positivos (1.36%), aunque con una menor precisión y un costo computacional significativo. Los autores proponen la Detección de Fraude para la Computación Cuántica (FD4QC), una arquitectura de sistema API-driven práctica diseñada para implementación en el mundo real. FD4QC presenta una filosofía "clásico primero, cuántico mejorado" con mecanismos de fallback robustos. El informe proporciona un punto de referencia para una aplicación financiera real, subraya las limitaciones actuales del aprendizaje automático cuántico en este dominio y enumera direcciones prometedoras para la investigación futura. Puntos clave: - El estudio compara modelos de aprendizaje automático clásicos, cuánticos y cuántico-híbridos para la detección de fraude financiero. - Los modelos basados en árboles clásicos superan a los modelos cuánticos en la configuración actual. - QSVM muestra promesa como modelo cuántico para la detección de fraude. - Los autores proponen FD4QC, una arquitectura de sistema práctica para implementación en el mundo real. - El informe resalta las limitaciones actuales del aprendizaje automático cuántico en este dominio y enumera direcciones prometedoras para la investigación futura.