Comparative Performance Analysis of Quantum Machine Learning Architectures for Credit Card Fraud Detection

Resumen Técnico: Análisis Comparativo de Arquitecturas de Aprendizaje Automático Cuántico para la Detección de Fraude con Tarjetas de Crédito

1. Planteamiento del Problema

La detección de fraude con tarjetas de crédito es un desafío global crítico debido al volumen creciente, la complejidad de los datos transaccionales y el desequilibrio inherente en los conjuntos de datos (donde las transacciones fraudulentas son una minoría). Los métodos tradicionales de Aprendizaje Automático (ML) enfrentan limitaciones en velocidad de procesamiento y capacidad para capturar distribuciones de datos complejas en tiempo real.
El Aprendizaje Automático Cuántico (QML) se presenta como una solución prometedora para superar estas barreras, aprovechando propiedades cuánticas como el entrelazamiento y la superposición. Sin embargo, existe una falta de investigación sistemática sobre cómo las configuraciones específicas de mapas de características (feature maps) y ansatz (circuitos parametrizados) afectan el rendimiento de diferentes arquitecturas de QML en datos financieros reales no normalizados.

2. Metodología

El estudio propone una evaluación exhaustiva de tres modelos de QML aplicados a dos conjuntos de datos de fraude: BankSim (datos sintéticos de un banco español) y el conjunto de datos European (transacciones reales de tarjetas de crédito europeas).

• Modelos Evaluados:

  1. VQC (Variational Quantum Classifier): Un clasificador cuántico variacional estándar.
  2. SQNN (Sampler Quantum Neural Network): Una red neuronal híbrida que utiliza un muestreador cuántico para extraer ejemplos de distribuciones de probabilidad complejas.
  3. EQNN (Estimator Quantum Neural Network): Una arquitectura híbrida que integra un mapeo cuántico con una red neuronal clásica, utilizando un estimador para calcular valores esperados.

• Configuraciones Experimentales:

  • Mapas de Características: Se probaron tres tipos: Pauli, ZZ (entrelazamiento de pares) y Z (sin entrelazamiento).
  • Ansatz: Se evaluaron cuatro arquitecturas de circuitos: Real Amplitudes, Efficient SU2, Two Local y Pauli Two Design.
  • Preprocesamiento: Los datos se dividieron en 80% entrenamiento y 20% prueba. Se aplicó Random Under Sampling para equilibrar las clases (50/50) y se utilizaron técnicas de normalización (MinMaxScaler).
  • Optimización: Se utilizó el optimizador clásico COBYLA dentro del simulador QasmSimulator de Qiskit.
  • Validación Estadística: Se aplicó un análisis de varianza (ANOVA) para determinar la significancia estadística de los factores (modelo, mapa, ansatz, dataset) sobre la puntuación F1.
  • Análisis de Robustez: Se evaluó el rendimiento de los mejores modelos bajo cinco tipos de ruido cuántico (amortiguamiento de amplitud, inversión de bits, despolarización, amortiguamiento de fase e inversión de fase).

3. Contribuciones Clave

• Análisis Comparativo Sistemático: Es uno de los primeros estudios que compara directamente VQC, SQNN y EQNN en tareas de detección de fraude, desglosando el impacto de la interacción entre mapas de características y ansatz.
• Validación Estadística Rigurosa: Uso de ANOVA para confirmar que las diferencias de rendimiento no son aleatorias, sino que dependen significativamente de la arquitectura del modelo y la configuración del circuito.
• Evaluación de Robustez en Entornos NISQ: Análisis de la resiliencia de los modelos ante el ruido cuántico, crucial para su futura implementación en hardware real de escala intermedia ruidosa (NISQ).
• Guía de Configuración: Identificación de combinaciones óptimas (ej. Two Local con mapas Z o Pauli) que maximizan la precisión en datos financieros.

4. Resultados Principales

• Rendimiento por Modelo:

  • VQC: Demostró el rendimiento más robusto y consistente. En el conjunto de datos European, alcanzó una puntuación F1 de 0.88 (con mapa Z y ansatz Pauli Two Design).
  • SQNN: Mostró resultados muy prometedores, a menudo superando al VQC en el conjunto BankSim (F1 de 0.85 con mapa Z y Real Amplitudes). Su capacidad de muestreo le permitió adaptarse bien a las distribuciones de datos.
  • EQNN: Presentó un rendimiento significativamente inferior (F1 máximo ~0.59 en BankSim y ~0.52 en European). La arquitectura tuvo dificultades para capturar patrones complejos, especialmente con datos no estandarizados, sugiriendo limitaciones en su expresividad o en la mapeo de valores esperados a etiquetas de clase.

• Impacto de Mapas y Ansatz:

  • Los mapas de características con entrelazamiento (como ZZ y Pauli) generalmente mejoraron el rendimiento en VQC y SQNN al permitir la captura de interacciones complejas entre características.
  • Sin embargo, el mapa Z (sin entrelazamiento) resultó ser altamente efectivo en SQNN y VQC, probablemente debido a su menor profundidad de circuito y menor sensibilidad al ruido.
  • El ansatz Two Local y Efficient SU2 mostraron la mayor versatilidad y estabilidad a través de diferentes configuraciones.

• Validación Estadística (ANOVA):

  • El factor "Modelo" tuvo un efecto altamente significativo (p-value < 10⁻¹⁰²), confirmando que la elección de la arquitectura es el determinante principal del éxito.
  • Los factores Mapa de Características y Ansatz también fueron estadísticamente significativos.
  • El factor Conjunto de Datos no fue significativo, lo que indica que las tendencias de rendimiento se mantienen consistentes entre datos sintéticos y reales.

• Análisis de Ruido:

  • Bajo condiciones de ruido (hasta nivel 0.25), el VQC mostró mayor resiliencia que el SQNN, manteniendo una precisión aceptable.
  • El ruido de despolarización y amortiguamiento de fase tuvo el impacto negativo más severo en ambos modelos.
  • A pesar del declive en precisión bajo ruido máximo, los modelos mantuvieron un rendimiento competitivo, apoyando su viabilidad potencial en hardware NISQ.

5. Significado e Impacto

Este trabajo es fundamental para el avance de la FinTech cuántica. Demuestra que el QML no es una solución única, sino que su eficacia depende críticamente de la configuración arquitectónica.

• Para la Industria: Proporciona una hoja de ruta para diseñar sistemas de detección de fraude más eficientes, sugiriendo que modelos como VQC y SQNN, configurados con ansatz específicos, pueden superar a los métodos clásicos en escenarios complejos.
• Para la Investigación: Destaca la necesidad de optimizar la expresividad del circuito y la codificación de datos antes de escalar a hardware cuántico real.
• Viabilidad Práctica: La demostración de robustez bajo ruido valida el potencial de despliegue inmediato de estos algoritmos en dispositivos cuánticos actuales, ofreciendo una ventaja competitiva en la protección de activos financieros frente a amenazas cada vez más sofisticadas.

En conclusión, el estudio establece que la selección estratégica de la arquitectura (VQC/SQNN) y la configuración de circuitos (mapas y ansatz) es el factor crítico para lograr una detección de fraude cuántica efectiva, superando las limitaciones de los enfoques híbridos menos expresivos como el EQNN en este contexto específico.