arXiv cs.AI· Hitanshi Arora, Mohit Swarnkar, Aswani Kumar Cherukuri·· 3 天前AI 评分21
量子核 SVM 用于信用卡欺诈检测的基准测试：NISQ 约束下的性能现实
Benchmarking Quantum Kernel SVMs for Credit Card Fraud Detection: Performance Realities Under NISQ Constraints
AI 导读
一项受控基准测试对比了 Angle、ZZFeatureMap、IQP 三种量子编码与经典模型在信用卡欺诈检测上的表现，并将 SMOTE 直接嵌入量子 Gram 矩阵流程，使各特征图的 PR-AUC 提升约 +0.04。
正文 · AI 翻译
摘要：检测信用卡欺诈以极其困难著称，因为欺诈交易仅占全部交易的不到 0.2%。量子机器学习（QML），尤其是量子核支持向量机（QSVM），有望通过将经典数据嵌入高维希尔伯特空间来提供更丰富的特征表示。然而，在处理现实世界金融数据瓶颈时，这种理论优势是否依然成立仍不明确。我们设计了一个受控基准，在严格匹配样本量、特征数量和缩放的前提下，将 Angle、ZZFeatureMap 和 IQP 三种量子编码与经典模型进行比较。为了在不破坏量子态重叠的情况下处理类别偏斜，我们将合成少数类过采样（SMOTE）直接嵌入量子 Gram 矩阵工作流，使各特征映射的 PR-AUC 分数提升约 +0.04。在包含 30 个特征的完整欧洲信用卡数据集上训练时，经典基线最高达到 0.983 的 PR-AUC。然而，当限制经典模型以匹配 QSVM 硬件约束（500 个样本、4 个 PCA 特征）时，其 PR-AUC 降至 0.750。这为我们最佳量子结果——在 150 个样本上使用 IQP 编码达到 0.730 PR-AUC——提供了现实参照。在物理量子硬件上测试时，由于 CNOT 门错误和热噪声，性能进一步降至 0.62。总体而言，我们的发现指出了近期量子核的两个主要运行瓶颈：Gram 矩阵评估的扩展性，以及将特征压缩到少量量子比特寄存器上所带来的严重信息损失。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17027 [cs.AI] |
| （或 arXiv:2610.17027v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17027 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Aswani Kumar Cherukuri 博士 [查看电子邮件]
[v1]
2026 年 10 月 12 日星期一 16:05:42 UTC（1,716 KB）
来源：arXiv cs.AI · arxiv.org