Résumé - FD4QC : Application de l'apprentissage automatique classique et hybride quantique pour la détection de la fraude financière Un rapport technique

FD4QC : Application de l'apprentissage automatique classique et hybride quantique pour la détection de la fraude financière Un rapport technique

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}

Ce rapport technique enquête sur l'efficacité des modèles de machine learning classiques, quantiques et hybrides quantiques pour la détection de fraude financière. Les auteurs développent un cadre d'ingénierie des caractéristiques comportementales complet pour transformer les données brutes de transaction en un ensemble riche et descriptif de caractéristiques. Ils mettent ensuite en œuvre et évaluent une gamme de modèles sur le jeu de données de lutte contre le blanchiment d'argent (AML) d'IBM, y compris la régression logistique, l'arbre de décision, la forêt aléatoire, XGBoost, le machine à vecteurs de support quantique (QSVM), le classificateur quantique variationnel (VQC) et le réseau neuronal hybride quantique (HQNN). Les résultats montrent que les modèles basés sur des arbres classiques, en particulier la forêt aléatoire, surpassent nettement leurs homologues quantiques dans la configuration actuelle, atteignant une haute précision (97,34 %) et un F-measure (86,95 %). Parmi les modèles quantiques, QSVM montre le plus de promesse, en délivrant une haute précision (77,15 %) et un taux de faux positifs faible (1,36 %), bien que avec une faible capacité de rappel et un surcoût computationnel significatif. Les auteurs proposent la détection de fraude pour les ordinateurs quantiques (FD4QC), une architecture de système pratique et API-driven conçue pour une mise en œuvre réelle. FD4QC intègre une philosophie "classique-d'abord, amélioré par le quantique" avec des mécanismes de basculement robustes. Le rapport fournit un point de référence pour une application financière réelle, met en lumière les limitations actuelles de l'apprentissage automatique quantique dans ce domaine et esquisse des directions prometteuses pour la recherche future. Points clés : - L'étude compare des modèles de machine learning classiques, quantiques et hybrides quantiques pour la détection de fraude financière. - Les modèles basés sur des arbres classiques surpassent les modèles quantiques dans la configuration actuelle. - QSVM montre des promesses en tant que modèle quantique pour la détection de fraude. - Les auteurs proposent FD4QC, une architecture de système pratique pour une mise en œuvre réelle. - Le rapport met en lumière les limitations actuelles de l'apprentissage automatique quantique dans ce domaine et esquisse des directions prometteuses pour la recherche future.