量子科技中心_量科网

信用评分是金融服务中的一项高风险任务，模型决策直接影响个人信贷获取，并受到严格监管审查。虽然量子机器学习（QML）提供了新的计算能力，但其黑箱特性对需要透明度和信任的领域提出了应用挑战。该工作提出IQNN-CS框架——一种专为多类信用风险分类设计的可解释量子神经网络架构，其将变分量子神经网络与针对结构化数据设计的系列事后解释技术相结合。针对QML缺乏结构化可解释性的问题，研究人员提出了“类间归因对齐”（ICAA）这一创新指标，通过量化预测类别间的归因差异来揭示模型区分信用风险等级的机制。在两类真实信用数据集上的评估表明，IQNN-CS具有稳定的训练动态、有竞争力的预测性能及更强的可解释性。该成果为金融决策领域实现透明可靠的QML模型提供了可行路径。