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

Titolo: Analisi Comparativa delle Prestazioni delle Architetture di Machine Learning Quantistico per il Rilevamento delle Frodi con Carta di Credito

1. Il Problema

Il rilevamento delle frodi con carta di credito rappresenta una minaccia globale in rapida crescita, con perdite economiche che ammontano a miliardi di dollari annualmente. I metodi tradizionali di Machine Learning (ML) affrontano sfide significative a causa del volume crescente e della complessità dei dati transazionali, della natura fortemente sbilanciata dei dataset (pochi casi di frode rispetto a molte transazioni legittime) e della necessità di decisioni in tempo reale.
Il Quantum Machine Learning (QML) emerge come una soluzione promettente per superare questi limiti, sfruttando proprietà quantistiche come l'entanglement e la sovrapposizione per elaborare dati in spazi di caratteristiche ad alta dimensionalità più velocemente e catturare interazioni complesse. Tuttavia, manca una comprensione sistematica di come diverse configurazioni architetturali quantistiche (mappe di caratteristiche e ansatz) influenzino le prestazioni in scenari reali di frodi finanziarie, specialmente su dati non normalizzati.

2. Metodologia

Lo studio ha condotto un'analisi empirica rigorosa su due dataset reali di frodi:

• BankSim: Un dataset sintetico generato da un simulatore bancario spagnolo (594.643 record).
• European Credit Card Fraud: Un dataset pubblico con transazioni di carte europee (284.807 record, altamente sbilanciato).

Preprocessing:

• I dati sono stati bilanciati utilizzando la tecnica Random Under Sampling (rapporto 50/50 tra frodi e non frodi).
• Per il dataset europeo, è stata applicata l'Analisi delle Componenti Principali (PCA) per ridurre le dimensioni a 7 feature.
• I dati sono stati normalizzati (MinMaxScaler) e divisi in 80% per l'addestramento e 20% per il test.

Architetture Valutate:
Sono stati testati tre modelli QML ibridi (classico-quantistici):

1. VQC (Variational Quantum Classifier): Un circuito quantistico parametrico ottimizzato classicamente.
2. SQNN (Sampler Quantum Neural Network): Utilizza un campionatore quantistico per estrarre campioni da distribuzioni di probabilità complesse.
3. EQNN (Estimator Quantum Neural Network): Un'architettura ibrida che combina un circuito quantistico con una rete neurale classica per l'elaborazione finale.

Configurazioni Sperimentali:
Ogni modello è stato valutato combinando:

• 3 Mappa di Caratteristiche (Feature Maps): Pauli, ZZ (entanglement a coppie), Z (senza entanglement).
• 4 Ansatz (Circuiti Parametrici): Real Amplitudes, Efficient SU2, Two Local, Pauli Two Design.
• Ottimizzatore: COBYLA (confrontato con ADAM e Gradient Descent in alcune fasi).
• Simulazione: Eseguita su Qiskit con il backend QasmSimulator.

Validazione:

• Metriche di performance: Accuratezza, Precisione, Recall, F1-score e Loss.
• Analisi Statistica: Test ANOVA a una via per verificare la significatività delle differenze tra modelli, dataset, feature map e ansatz.
• Analisi di Robustezza: Test sui modelli migliori sotto 5 tipi di rumore quantistico (smorzamento di ampiezza, flip di bit, depolarizzazione, smorzamento di fase, flip di fase).

3. Contributi Chiave

• Analisi Comparativa Sistematica: Prima valutazione estesa che confronta VQC, SQNN ed EQNN su dataset di frodi reali, esplorando l'interazione tra tipo di modello, mappa di caratteristiche e design dell'ansatz.
• Validazione Statistica Rigorosa: Uso dell'ANOVA per dimostrare che le differenze di performance non sono casuali, ma guidate da scelte architetturali specifiche (Modello, Feature Map, Ansatz).
• Guida alla Configurazione: Identificazione delle combinazioni ottimali (es. Feature Map + Ansatz) per massimizzare l'F1-score in contesti finanziari.
• Analisi di Robustezza al Rumore: Valutazione della resilienza dei modelli migliori su dispositivi NISQ (Noisy Intermediate-Scale Quantum) simulati, fornendo insight sulla loro applicabilità pratica futura.

4. Risultati Principali

Prestazioni Generali:

• VQC: Ha mostrato le prestazioni più robuste e consistenti, raggiungendo un F1-score di 0.88 sul dataset europeo (con Feature Map Z e Ansatz Pauli Two Design). Ha dimostrato alta precisione e stabilità.
• SQNN: Ha ottenuto risultati promettenti, in particolare sul dataset BankSim, con un picco di F1-score di 0.85 (Feature Map Pauli + Ansatz Real Amplitudes). Ha mostrato una buona adattabilità.
• EQNN: Ha avuto prestazioni significativamente inferiori (F1-score medio intorno a 0.40-0.50), evidenziando difficoltà nel gestire la complessità dei dati e limitazioni nell'espressività del circuito o nel mapping dei valori di aspettativa alle etichette di classe.

Impatto delle Configurazioni:

• Feature Maps: Le mappe che includono entanglement (Pauli e ZZ) hanno generalmente migliorato le prestazioni rispetto alla mappa Z (senza entanglement), specialmente per VQC e SQNN. Tuttavia, su alcuni dataset, la semplicità della mappa Z ha permesso una convergenza più rapida.
• Ansatz: L'ansatz Two Local e Efficient SU2 si sono rivelati i più versatili e performanti. L'ansatz Pauli Two Design ha mostrato risultati erratici, dipendendo fortemente dalla combinazione con la feature map.
• Statistica: Il test ANOVA ha confermato che il Tipo di Modello è il fattore più influente (p-value < 10^-102), seguito da Ansatz e Feature Map. Il tipo di dataset non ha avuto un impatto statisticamente significativo sulle differenze relative tra i modelli.

Robustezza al Rumore:

• I modelli migliori (SQNN per BankSim, VQC per Europa) sono stati testati sotto 5 canali di rumore.
• VQC ha dimostrato una maggiore resilienza rispetto a SQNN, mantenendo prestazioni accettabili anche con livelli di rumore moderati, grazie alla sua struttura di ansatz ottimizzata e al post-processing classico efficace.
• Entrambi i modelli hanno subito un calo significativo di accuratezza (scendendo nella fascia 0.45-0.55) con livelli di rumore elevati, ma il VQC ha mostrato una stabilità superiore.

5. Significato e Conclusioni

Questo studio dimostra che il QML ha un potenziale reale per il rilevamento delle frodi finanziarie, ma il successo dipende criticamente dalla configurazione architetturale.

• Scelta del Modello: Il VQC si conferma come l'architettura più matura ed efficace per questo compito specifico, superando sia l'SQNN che l'EQNN in termini di stabilità e accuratezza.
• Importanza dell'Entanglement: L'uso di feature map con entanglement (come Pauli e ZZ) è generalmente vantaggioso, ma deve essere bilanciato con la capacità dell'ansatz di gestire la complessità del circuito senza degradare l'ottimizzazione.
• Implicazioni Pratiche: I risultati supportano la fattibilità di implementare soluzioni QML su hardware NISQ, a condizione che vengano selezionati modelli robusti (come il VQC) e configurazioni ottimali.
• Futuro: Il lavoro evidenzia la necessità di esplorare architetture quantistiche più espressive e circuiti più profondi per colmare il divario di performance, specialmente per modelli come l'EQNN che attualmente faticano a catturare pattern complessi.

In sintesi, la ricerca fornisce una guida pratica per ricercatori e professionisti finanziari su come progettare sistemi di rilevamento frodi basati su QML, sottolineando che non esiste una soluzione "universale", ma che la combinazione specifica di modello, encoding e ansatz deve essere adattata alle caratteristiche dei dati.