相关实验视频
HQRNN-FD:用于欺诈检测的混合量子循环神经网络
Yao-Chong Li1,2, Yi-Fan Zhang1,2, Rui-Qing Xu3
1College of Information Engineering, Shanghai Maritime University, 1550 Haigang Avenue, Pudong New Area, Shanghai 201306, China.
Entropy (Basel, Switzerland)
|September 27, 2025
概括
本研究介绍了一种混合量子循环神经网络,用于检测金融欺诈. 这种新的方法显著提高了检测复杂模式的准确性,超过了传统方法.
科学领域:
- 人工智能的人工智能
- 量子计算是一种量子计算.
- 金融技术 金融技术
背景情况:
- 检测金融欺诈对智能系统至关重要.
- 深度学习与高维,非线性特征作斗争.
- 阶级不平衡在欺诈检测方面是一个持续的挑战.
研究的目的:
- 引入一种用于欺诈检测的新型混合量子循环神经网络 (HQRNN-FD).
- 加强特征提取和时间依赖性分析,以改进欺诈检测.
- 解决阶级不平衡问题,提高模型通用性.
主要方法:
- 利用带有角度编码,数据重载和等级纠的变量量子电路 (VQC),用于量子增强的特征提取.
- 集成了一个循环神经网络 (RNN) 与一个自我注意力机制进行序列分析.
- 采用合成少数人过量采样技术 (SMOTE) 来缓解阶级不平衡.
主要成果:
- 在公众欺诈检测数据集上实现了0.972的准确性.
- 它的性能比传统车型高出2.4%.
- 证明了对量子噪声的稳定性和随着量子位数的增加而具有可扩展性.
结论:
- 混合量子循环神经网络 (HQRNN-FD) 对于不平衡的金融分类是有效的.
- 量子增强特征提取和时间分析提高了欺诈检测的准确性.
- 该模型对现实世界的金融欺诈检测应用具有前景.