← नवीनतम पेपर
⚛️ quantum physics

Q-SYNTH: Hybrid Quantum-Classical Adversarial Augmentation for Imbalanced Fraud Detection

यह शोध पत्र Q-SYNTH को प्रस्तुत करता है, जो एक हाइब्रिड क्वांटम-क्लासिकल जनरेटिव एडवरसेरियल फ्रेमवर्क है जो धोखाधड़ी वाले लेनदेन के नमूनों को संश्लेषित करने के लिए एक पैरामीट्राइज्ड क्वांटम सर्किट का उपयोग करता है, जो शास्त्रीय बेसलाइन की तुलना में सांख्यिकीय वितरण निष्ठा और डाउनस्ट्रीम वर्गीकरण प्रदर्शन के बीच एक अनुकूल समझौता प्रदान करके क्रेडिट कार्ड धोखाधड़ी का पता लगाने में क्लास इम्बैलेंस (वर्ग असंतुलन) को प्रभावी ढंग से संबोधित करता है।

मूल लेखक: Adam Innan, Mansour El Alami, Nouhaila Innan, Muhammad Shafique, Mohamed Bennai

प्रकाशित 2026-05-21
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Adam Innan, Mansour El Alami, Nouhaila Innan, Muhammad Shafique, Mohamed Bennai

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ Q-SYNTH पेपर का सरल, रोज़मर्रा की भाषा में विवरण दिया गया है, जिसमें अवधारणाओं को स्पष्ट करने के लिए उपमाओं (analogies) का उपयोग किया गया है।

समस्या: "घास के ढेर में सुई" (The Needle in a Haystack)

कल्पना कीजिए कि आप एक विशाल हवाई अड्डे पर एक सुरक्षा गार्ड हैं। आपका काम लाखों नियमित यात्रियों (वैध ग्राहकों) के बीच आतंकवादियों (धोखाधड़ी करने वालों) को पहचानना है।

  • वास्तविकता: हर 10,000 लोगों में से, शायद केवल 5 ही वास्तव में कुछ गलत करने की कोशिश कर रहे होते हैं।
  • गलती: यदि आप कंप्यूटर को केवल वास्तविक डेटा का उपयोग करके इन बुरे लोगों को पहचानने के लिए प्रशिक्षित करते हैं, तो कंप्यूटर आलसी हो जाता है। वह सीख जाता है कि "हर कोई अच्छा है," इसलिए वह सभी के लिए "अच्छा" का अनुमान लगा देता है। वह अपने टेस्ट में 99.9% स्कोर प्राप्त करता है, लेकिन वह हर एक बुरे व्यक्ति को चूक जाता है। इसे क्लास इम्बैलेंस (class imbalance) कहा जाता है।

पुराने समाधान: "कॉपी-पेस्ट" बनाम "नकली बनाना"

इसे ठीक करने के लिए, विशेषज्ञ कंप्यूटर को बुरे लोगों के अधिक उदाहरण देने की कोशिश करते हैं।

  1. SMOTE (द "कॉपी-पेस्ट" विधि): कल्पना कीजिए कि आप एक बुरे व्यक्ति की फोटो लेते हैं और दूसरे बुरे व्यक्ति तक एक सीधी रेखा खींचते हैं, और फिर ठीक बीच में एक नई फोटो बना देते हैं। यह सुरक्षित है और दिखने में बहुत समान है, लेकिन यह थोड़ा उबाऊ है और यह नहीं दिखाता कि बुरे लोग कैसे व्यवहार कर सकते हैं, इसकी पूरी विविधता क्या हो सकती है।
  2. क्लासिकल GANs (द "आर्ट फोर्जर" या कला की नकल करने वाला): यह एक कंप्यूटर प्रोग्राम का उपयोग करता है जो नकली बुरे प्रोफाइल को "बनाने" (forge) की कोशिश करता है। AI का एक हिस्सा (Generator) एक नकली आईडी बनाने की कोशिश करता है, और दूसरा हिस्सा (Discriminator) नकली को पकड़ने की कोशिश करता है। वे बिल्ली और चूहे का खेल खेलते हैं। हालांकि यह बहुत विविध नकली डेटा बनाता है, लेकिन कभी-कभी ये नकली चीज़ें बहुत स्पष्ट होती हैं या वास्तविक सांख्यिकी (statistics) से पूरी तरह मेल नहीं खातीं।

नया समाधान: Q-SYNTH (द "क्वांटम आर्ट फोर्जर")

यह पेपर Q-SYNTH पेश करता है, जो एक नया हाइब्रिड सिस्टम है। इसे एक मानव कलाकार और एक क्वांटम रोबोट की टीम-अप के रूप में सोचें।

  • जेनरेटर (द क्वांटम आर्टिस्ट): एक मानक कंप्यूटर मस्तिष्क के बजाय, यह हिस्सा एक क्वांटम सर्किट का उपयोग करता है। कल्पना कीजिए कि एक क्वांटम कंप्यूटर एक जादुई पेंटब्रश है जो रंगों को उन तरीकों से मिला सकता है जैसे एक सामान्य ब्रश नहीं कर सकता। यह नए, नकली धोखाधड़ी प्रोफाइल बनाता है जो गणितीय रूप से जटिल और विविध होते हैं।
  • डिस्क्रिमिनेटर (द ह्यूमन आर्ट क्रिटिक): यह हिस्सा एक मानक, क्लासिकल कंप्यूटर है (जैसे वे जो हम आज उपयोग करते हैं)। इसका काम वास्तविक धोखाधड़ी प्रोफाइल और क्वांटम-जनरेटेड नकली प्रोफाइल को देखना और उनके बीच अंतर करना है।

वे एक खेल खेलते हैं: क्वांटम कलाकार इतनी अच्छी नकली चीज़ें बनाने की कोशिश करता है कि मानव आलोचक उनमें अंतर न कर सके। मानव आलोचक नकली चीज़ों को पकड़ने में बेहतर होने की कोशिश करता है। समय के साथ, क्वांटम कलाकार बेहद वास्तविक धोखाधड़ी पैटर्न बनाने में अविश्वसनीय रूप से कुशल हो जाता है।

उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने केवल यह नहीं कहा कि "यह काम करता है।" उन्होंने तीन विशिष्ट लक्ष्यों के साथ एक सख्त परीक्षण चलाया:

  1. क्या यह असली दिखता है? (सांख्यिकीय निष्ठा - Statistical Fidelity): उन्होंने जांचा कि क्या नकली डेटा वास्तविक डेटा के "आकार" से मेल खाता है (जैसे यह जांचना कि क्या नकली आईडी फोटो में आंखों का रंग और ऊंचाई वास्तविक लोगों के समान है)।
    • परिणाम: क्वांटम आर्टिस्ट (Q-SYNTH) ने ऐसे नकली डेटा बनाए जो मानक "आर्ट फोर्जर" (Classical GAN) की तुलना में वास्तविक डेटा के बहुत करीब थे, हालांकि "कॉपी-पेस्ट" विधि (SMOTE) सरल सांख्यिकी में अभी भी सबसे करीब थी।
  2. क्या एक रोबोट उन्हें पहचान सकता है? (पहचानने की क्षमता - Detectability): उन्होंने एक अलग रोबोट को प्रशिक्षित किया जो यह पहचानने की कोशिश करे कि कौन सा डेटा असली है और कौन सा नकली।
    • परिणाम: रोबोट लगभग अनुमान ही लगा रहा था (50/50)। यह अच्छा है! इसका मतलब है कि नकली डेटा इतना वास्तविक है कि एक कंप्यूटर भी आसानी से अंतर नहीं कर सकता।
  3. क्या यह धोखाधड़ी पकड़ने में मदद करता है? (डाउनस्ट्रीम प्रदर्शन - Downstream Performance): उन्होंने नकली डेटा का उपयोग धोखाधड़ी डिटेक्टर को प्रशिक्षित करने के लिए किया और देखा कि क्या वह अधिक बुरे लोगों को पकड़ पाता है।
    • परिणाम: क्वांटम आर्टिस्ट के डेटा ने डिटेक्टर को "कॉपी-पेस्ट" विधि की तुलना में अधिक धोखाधड़ी पकड़ने में मदद की। जबकि मानक "आर्ट फोर्जर" (Classical GAN) कभी-कभी धोखाधड़ी पकड़ने में थोड़ा बेहतर था, क्वांटम आर्टिस्ट एक बेहतरीन संतुलन प्रदान करता था: यह वास्तविक डेटा जैसा दिखने में बहुत बेहतर था और अभी भी धोखाधड़ी पकड़ने में बहुत अच्छा था।

द "वॉल्यूम नॉब" प्रयोग

शोधकर्ताओं ने यह भी परीक्षण किया कि कितना नकली डेटा जोड़ना चाहिए। उन्होंने पाया कि थोड़ा सा नकली डेटा जोड़ने से ज्यादा मदद नहीं मिली। लेकिन जब उन्होंने एक मध्यम से उच्च मात्रा (लगभग 50% नकली, 50% असली) जोड़ी, तो धोखाधड़ी डिटेक्टर अपने काम में काफी बेहतर हो गया।

मुख्य निष्कर्ष (The Bottom Line)

Q-SYNTH एक नया टूल है जो अत्यधिक वास्तविक "नकली" धोखाधड़ी डेटा बनाने के लिए क्वांटम कंप्यूटिंग का उपयोग करता है।

  • यह उस समस्या को ठीक करता है जहाँ कंप्यूटर दुर्लभ धोखाधड़ी के मामलों को अनदेखा कर देते हैं।
  • यह ऐसा डेटा बनाता है जो सांख्यिकीय रूप से वास्तविक चीज़ के बहुत करीब है (मानक AI विधियों से बेहतर)।
  • यह बिना अधिक वास्तविक दुनिया के डेटा की आवश्यकता के, धोखाधड़ी डिटेक्टरों को अधिक बुरे लोगों को पकड़ने में मदद करता है।

पेपर निष्कर्ष निकालता है कि यह "हाइब्रिड" दृष्टिकोण (क्वांटम जेनरेटर + क्लासिकल क्रिटिक) एक आशाजनक मध्य मार्ग है: यह सरल विधियों की सांख्यिकीय सटीकता और जटिल AI की शक्तिशाली सीखने की क्षमता दोनों प्रदान करता है, जिससे यह वित्तीय धोखाधड़ी से लड़ने के लिए एक मजबूत उम्मीदवार बनता है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें ⚛️ quant-ph →