IQNN-CS: Interpretable Quantum Neural Network for Credit Scoring

Resumen Técnico: IQNN-CS: Red Neuronal Cuántica Interpretable para la Calificación Crediticia

Problema
La calificación crediticia (credit scoring) es una tarea crítica en los servicios financieros que impacta directamente el acceso de las personas al crédito. Debido a regulaciones estrictas (como el GDPR en la UE), los modelos utilizados deben ser no solo precisos, sino también transparentes y explicables. Aunque el Aprendizaje Automático Cuántico (QML) ofrece un gran potencial para procesar datos de alta dimensión, la mayoría de los modelos de Redes Neuronales Cuánticas (QNN) operan como "cajas negras", lo que dificulta su adopción en entornos financieros regulados donde la interpretabilidad es obligatoria.

Metodología
Los autores proponen IQNN-CS, un marco de trabajo híbrido (clásico-cuántico) diseñado específicamente para la clasificación multiclase de riesgo crediticio. El flujo de trabajo se divide en cinco etapas:

1. Preprocesamiento de Datos: Se utilizan técnicas de balanceo de clases (undersampling y SMOTE), estandarización y Análisis de Componentes Principales (PCA) para reducir la dimensionalidad y asegurar que los datos sean compatibles con el número de cúbits disponibles.
2. Arquitectura Híbrida:
   • Bloque Clásico Inicial: Capas densas con activación ReLU que transforman los datos de PCA en un vector latente.
   • Capa Cuántica: Utiliza angle encoding para mapear las características en cúbits, seguido de un Circuito Cuántico Variacional (VQC) con capas de entrelazamiento fuerte (StronglyEntanglingLayers).
   • Bloque Clásico Final: Capas de post-procesamiento con dropout y proyecciones lineales para generar los logits de las clases de riesgo.
3. Entrenamiento: Se emplea la función de pérdida de log-verosimilitud negativa (NLL) y el optimizador AdamW. Los gradientes cuánticos se calculan mediante la regla de desplazamiento de parámetros (parameter-shift rule).
4. Interpretabilidad Post-hoc: El modelo integra cuatro técnicas:
   • Métodos de atribución basados en gradientes (Saliency maps, Integrated Gradients, SmoothGrad).
   • Emparejamiento de prototipos (Prototype Matching) mediante similitud de coseno en el espacio de características cuánticas.
   • Análisis de sensibilidad por oclusión.
   • ICAA (Inter-Class Attribution Alignment): Una métrica novedosa propuesta por los autores.

Contribuciones Clave

• Diseño de un Pipeline Híbrido: Un modelo end-to-end que integra computación cuántica en una arquitectura de aprendizaje profundo para datos estructurados.
• Métrica ICAA: La introducción de Inter-Class Attribution Alignment, una métrica que cuantifica la divergencia de la atribución entre las clases predichas. Esto permite entender si el modelo utiliza razonamientos distintos para diferenciar, por ejemplo, un riesgo "bajo" de uno "alto".
• Enfoque en la Interpretabilidad: A diferencia de estudios previos centrados solo en la precisión, este trabajo establece un estándar para la transparencia en QML aplicado a finanzas.

Resultados
El modelo fue evaluado en dos conjuntos de datos de crédito del mundo real:

• Dataset 1: El modelo alcanzó un rendimiento casi perfecto (100% de precisión y F1-score). La interpretabilidad mostró atribuciones concentradas y un espacio latente (t-SNE) con clases claramente separadas.
• Dataset 2: Presentó un desafío mayor con una precisión del 77.3%. El análisis de interpretabilidad fue crucial aquí: la métrica ICAA y los mapas de calor revelaron que el modelo tenía dificultades para distinguir clases debido a la superposición de características y la naturaleza ruidosa de las atribuciones, lo que indica que el modelo utilizaba una lógica de decisión similar para diferentes niveles de riesgo.

Significancia
Este trabajo demuestra que las redes neuronales cuánticas pueden ser diseñadas para cumplir con los requisitos de rendición de cuentas de los sectores regulados. La principal importancia radica en que la interpretabilidad no se presenta solo como una mejora opcional, sino como una herramienta de diagnóstico esencial. La métrica ICAA, en particular, permite identificar fallos en la lógica interna del modelo incluso cuando las métricas de precisión estándar parecen aceptables, proporcionando un camino práctico hacia la implementación de la IA cuántica en la toma de decisiones financieras de alto riesgo.