量子科技中心_量科网

该论文探究了混合量子-经典机器学习能否为基于卡片的支付交易及其他支付方式中的金融欺诈检测带来实际性能提升。研究基于“引导式量子压缩器”架构，将自动编码器、变分量子电路和经典神经头部集成后，嵌入包含最先进梯度提升树分类器的专家混合框架。使用类别严重失衡的欧洲信用卡数据集进行测试，在3次重复5折交叉验证基准中，该路由混合架构获得了0.793±0.085的平均精度分数，优于XGBoost算法的0.770±0.065。精确率与召回率对比显示，该系统可能实现了欺诈检测与正常交易识别的权衡——以轻微降低欺诈检出率为代价，显著减少了误报情况。在仅增加7至21分钟推理时间（取决于超参数选择）的情况下实现了这些改进。结果表明，选择性地将交易路由至量子-经典混合模型能提升欺诈检测能力，同时完全符合现代金融机构的延迟要求和运营限制。