IQNN-CS: Interpretable Quantum Neural Network for Credit Scoring

Riassunto Tecnico: IQNN-CS

1. Il Problema (Problem Statement)

Il credit scoring (valutazione del merito creditizio) è un compito critico nel settore finanziario, dove le decisioni influenzano direttamente l'accesso al credito e sono soggette a rigide normative (come il GDPR in UE o Basilea III). Sebbene il Quantum Machine Learning (QML) offra potenzialità computazionali superiori per gestire dati ad alta dimensionalità, i modelli basati su Reti Neurali Quantistiche (QNN) sono spesso considerati "black-box".

La sfida centrale identificata dagli autori è la mancanza di interpretabilità nei modelli QML, specialmente in contesti di classificazione multiclasse. In ambito finanziario, non è sufficiente che un modello sia accurato; deve essere anche trasparente e spiegabile per soddisfare i requisiti di conformità e fiducia.

2. Metodologia (Methodology)

Gli autori propongono IQNN-CS, un framework ibrido classico-quantistico progettato per la classificazione del rischio di credito. Il processo si articola in cinque fasi principali:

• Pre-elaborazione dei dati (Classical Preprocessing): I dati finanziari strutturati vengono bilanciati (tramite undersampling o SMOTE), standardizzati e ridotti dimensionalmente tramite PCA (Principal Component Analysis) per renderli compatibili con il numero limitato di qubit disponibili.
• Architettura Ibrida (Hybrid Model):
  • Blocco Classico Iniziale: Trasforma i componenti PCA in un vettore latente tramite strati densi con attivazione ReLU.
  • Strato Quantistico (VQC): Utilizza l'Angle Encoding per mappare le caratteristiche sui qubit, seguito da un circuito quantistico variazionale (VQC) con strati di entanglement (StronglyEntanglingLayers). Le misure vengono effettuate tramite l'osservabile di Pauli-Z.
  • Post-processing Classico: Un modulo finale con dropout e strati lineari produce i logit per la classificazione multiclasse.
• Addestramento: Il modello viene ottimizzato utilizzando la funzione di perdita Negative Log-Likelihood (NLL) e l'ottimizzatore AdamW. I gradienti quantistici sono calcolati tramite la parameter-shift rule.
• Tecniche di Interpretabilità Post-hoc: Il framework integra quattro metodi:
  1. Metodi basati sul gradiente (Saliency maps, Integrated Gradients, SmoothGrad).
  2. Prototype Matching: Confronto della similarità del coseno nello spazio delle caratteristiche quantistiche con esempi storici.
  3. Occlusion Sensitivity: Analisi della degradazione della confidenza perturbando l'input.
  4. ICAA (Inter-Class Attribution Alignment): Una nuova metrica proposta per misurare la divergenza delle attribuzioni tra le classi predette.

3. Contributi Chiave (Key Contributions)

• Framework IQNN-CS: Una pipeline end-to-end che integra capacità quantistiche e tecniche di spiegabilità per compiti finanziari strutturati.
• Metrica ICAA (Inter-Class Attribution Alignment): Il contributo teorico più significativo. Questa metrica quantifica quanto le "ragioni" (attribuzioni delle feature) fornite dal modello siano distinte per ogni classe. Se l'ICAA è alto, significa che il modello usa logiche simili per classi diverse, indicando una potenziale confusione decisionale.
• Approccio Multiclasse: A differenza della maggior parte della letteratura QML che si concentra sulla classificazione binaria, questo lavoro affronta la complessità della classificazione multiclasse nel credit scoring.

4. Risultati (Results)

Il modello è stato testato su due dataset reali:

• Dataset 1: Ha mostrato prestazioni eccellenti, con un'accuratezza del 100% e un'interpretazione chiara. Le mappe di salienza erano concentrate e le proiezioni t-SNE mostravano cluster ben separati, indicando che il modello aveva appreso rappresentazioni quantistiche robuste.
• Dataset 2: Ha presentato una sfida maggiore, con un'accuratezza del 77.3%. L'analisi di interpretabilità ha rivelato perché le prestazioni erano inferiori: le attribuzioni erano diffuse (rumorose), i cluster nel latent space erano sovrapposti e la metrica ICAA ha mostrato un'elevata sovrapposizione logica tra le classi, confermando che il modello faticava a distinguere i criteri decisionali tra i diversi livelli di rischio.

5. Significato e Conclusioni (Significance)

Il lavoro dimostra che l'interpretabilità non è solo un "optional", ma uno strumento diagnostico fondamentale. L'uso di metriche come l'ICAA permette di identificare quando un modello quantistico, pur sembrando accurato, sta utilizzando una logica interna debole o inconsistente.

In conclusione, IQNN-CS traccia una strada pratica per l'adozione del Quantum Machine Learning in settori altamente regolamentati come la finanza, dimostrando che è possibile costruire modelli che siano contemporaneamente potenti e trasparenti (accountable).