量子科技中心_量科网

信用卡欺诈检测面临的根本挑战在于极端的类别不平衡问题——欺诈交易虽然稀少，但在运营层面至关重要。这种不平衡常常导致有监督学习器偏向合法类别，虽然整体准确率较高，但欺诈类别的召回率和F1分数却较弱。本文提出了Q-SYNTH，一种混合经典-量子生成对抗框架，其中参数化量子电路作为生成器，经典神经网络作为判别器。Q-SYNTH专为表格数据中的少数类欺诈样本合成而设计，并从两个维度进行评估：对真实欺诈样本的统计保真度，以及欺诈检测的下游性能。为此，该研究使用基于Kolmogorov-Smirnov统计量和Wasserstein距离的分布相似性度量、通过AUC-ROC衡量的真实与合成样本可检测性，以及跨量子与经典分类器的下游分类性能来评估生成的样本。在所报告的协议下，Q-SYNTH相比经典GAN基线减少了边际分布失配，同时保持了具有竞争力的下游欺诈检测性能。尽管SMOTE在特征层面相似性上表现最强，经典GAN在多个设置中达到最高的下游性能，但Q-SYNTH在分布保真度与下游性能之间提供了有利的折衷，支持了混合量子增强方法用于不平衡欺诈检测的可行性。