FD4QC：经典与量子混合机器学习在金融欺诈检测中的应用技术报告-计算机科学-量子机器学习-金融交易.pdfVIP

FD4QC：经典与量子混合机器学习在金融欺诈检测中的应用

技术报告

MatteoCardaioli∗LucaMarangoni∗GiadaMartini†FrancescoMazzolin†

LucaPajola†AndreaFerrettoParodi∗AlessandraSaitta∗MariaChiaraVernillo∗

July28,2025

本Abstract

译金融交易日益增加的复杂性和数量给传统的欺诈检测系统带来了重大挑战。本技术报告调查

中并比较了经典、量子和量子混合机器学习模型在欺诈性财务活动二分类中的有效性。

关于我们的方法论，首先，我们开发了一个全面的行为特征工程框架，将原始交易数据转换

1

v为丰富的描述性特征集。其次，我们在IBM反洗钱（AML）数据集上实现并评估了一系列模

2型。经典的基准模型包括逻辑回归,决策树,随机森林和XGBoost。这些与三种混合经典量子算

0

4法架构进行了比较：一种是量子支持向量机(QSVM)，一种是变分量子分类器(VQC)，以及一

9种是混合量子神经网络(HQNN)。

1

.此外，我们提出了量子计算欺诈检测（FD4QC），这是一个实用的、基于API驱动的系统

7

0架构，旨在用于实际部署，采用“先经典后量子增强”的理念，并具备强大的回退机制。

5我们的结果表明，经典的基于树的模型，特别是随机森林，在当前设置中显著优于量子对应

2

:模型，实现了高准确率（%）和F值（%）。在量子模型中，量子支持向量机显示出最

v

i大的潜力，提供了高精度（%）和较低的假阳性率（%），尽管召回率较低且计算开销

x

r较大。

a

本报告为一个实际的金融应用程序提供了基准，突出了该领域中量子机器学习当前的局限

性，并概述了未来研究的方向。

∗GFTTechnologies

†Spritzmatter

1

TechnicalReport

1介绍

金融机构面临来自欺诈活动的重大财务和声誉风险，这使它们成为高级检测系统的首要目标。

在欧洲经济区（EEA），2022年主要支付工具的欺诈损失总额为4.3亿欧元，在2023年上半年单

独报告了2.0亿欧元[5]。对于卡支付，2023年上半年的欺诈率占总交易价值的0.031%，相当于

每100欧元交易中有3.1分损失。威胁在跨境交易中被放大；当对手位于EEA之外时，信用卡支

付的欺诈率是其十倍，在这些地区无需依法应用强大的客户身份验证（SCA）[5]。除了直接的财务

成本外，欺诈还会造成重大的声誉损害并侵蚀客户信任。最近的一项行业分析强调，超过30%的欺

诈受害者会离开他们的金融机构，突显了强有力的安全措施的重要性[7]。这些欺诈活动通常通过

复杂的技术（如社会工程和网络钓鱼）来实施，导致信用卡信息被盗用以及信用转账被篡改。

当前检测系统效率低下的问题，通常表现为高假阳性率，进一步突显了技术创新的必要性。金

融欺诈是一个普遍且不断演变的威胁，需要持续发展复杂的检测方法。虽然经典机器学习（ML）多

年来一直是欺诈检测系统的基石，但欺诈计划日益复杂以及数据量的巨大增长正推动这些方法达到

极限。与此同时，新兴的量子机器学习（QML）领域提供了引人入胜的可能性，利用超位置和纠缠

等量子现象来解锁可能的新计算范式，用于复杂模式识别。

目的和范围。本研究对经典和量子混合机器学习模型进行了比较分析，以实现金融交易的二分类

检测。我们开发、实施并评估了三种不同的量子启发架构：量子支持向量机（QSVM