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

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 신용카드 사기는 매년 수십억 달러의 손실을 초래하는 글로벌 위협이며, 거래 데이터의 양과 복잡성 증가, 데이터의 불균형 (불법 거래의 극소수), 실시간 의사결정 필요성 등으로 인해 기존 머신러닝 (ML) 기법의 한계가 드러나고 있습니다.
• 문제: 양자 머신러닝 (QML) 은 고차원 특징 공간에서의 연산 효율성과 복잡한 데이터 분포 처리 능력을 통해 이러한 한계를 극복할 잠재력을 가지고 있습니다. 그러나 금융 사기 탐지와 같은 구체적인 응용 분야에서 어떤 QML 모델 아키텍처와 **어떤 양자 회로 구성 (특징 매핑 및 안사츠)**이 최적의 성능을 발휘하는지에 대한 체계적인 비교 연구가 부족합니다.
• 목표: 다양한 QML 모델 (VQC, SQNN, EQNN) 과 구성 요소 (Feature Map, Ansatz) 의 조합이 실제 금융 사기 데이터셋에서 정확도, 재현율, F1 점수에 미치는 영향을 분석하고, 최적의 설정을 도출하는 것입니다.

2. 연구 방법론 (Methodology)

연구는 다음과 같은 단계로 수행되었습니다 (Fig. 1 참조):

• 데이터셋:
  1. BankSim: 스페인 은행의 거래 데이터를 기반으로 한 합성 데이터 (약 59 만 건, 180 일 시뮬레이션).
  2. European Dataset: 실제 유럽 카드 소유자 거래 데이터 (PCA 변환된 28 개 특징, 28 만 건).
  • 전처리: 두 데이터셋 모두 클래스 불균형 (사기 건수 약 0.17%) 을 해결하기 위해 Random Under Sampling을 적용하여 50:50 비율로 균형을 맞췄습니다. 또한, MinMaxScaler 를 사용하여 특징을 정규화했습니다.
• 평가 모델 (3 가지 QML 아키텍처):
  1. VQC (Variational Quantum Classifier): 파라미터화된 양자 회로를 직접 분류기로 사용.
  2. SQNN (Sampler Quantum Neural Network): 양자 샘플러를 통해 확률 분포에서 샘플을 추출한 후 고전 신경망으로 처리하는 하이브리드 모델.
  3. EQNN (Estimator Quantum Neural Network): 양자 회로의 기대값 (Expectation Value) 을 추출하여 고전 신경망에 입력하는 하이브리드 모델.
• 구성 요소 실험:
  • Feature Maps (3 가지): Pauli, ZZ, Z (데이터를 양자 상태로 인코딩하는 방식).
  • Ansatz (4 가지): Real Amplitudes, Efficient SU2, Two Local, Pauli Two Design (학습 가능한 파라미터를 가진 양자 회로 구조).
  • 총 12 가지 구성 (3 모델 × 3 특징맵 × 4 안사츠) 을 각 데이터셋에서 평가했습니다.
• 실험 환경: Qiskit 라이브러리, COBYLA 옵티마이저, Aer 시뮬레이터 사용. 80% 학습 / 20% 테스트 분할.
• 검증:
  • 통계적 검증: 성능 차이의 유의성을 확인하기 위해 일원 분산 분석 (One-way ANOVA) 수행.
  • 강건성 분석: 최적 성능을 보인 모델에 대해 5 가지 양자 노이즈 (Amplitude Damping, Bit Flip, Depolarizing, Phase Damping, Phase Flip) 를 적용하여 NISQ(Noisy Intermediate-Scale Quantum) 환경에서의 안정성 평가.

3. 주요 기여 (Key Contributions)

1. 포괄적인 QML 모델 비교: 신용카드 사기 탐지라는 특정 도메인에서 VQC, SQNN, EQNN 세 가지 모델을 체계적으로 비교 분석.
2. 구성 요소의 영향력 규명: 특징 매핑 (Feature Map) 과 안사츠 (Ansatz) 의 선택이 모델 성능에 미치는 구체적인 영향을 실증적으로 규명. 특히 **얽힘 (Entanglement)**을 포함하는 구성의 중요성을 강조.
3. 통계적 엄밀성: 단순한 성능 비교를 넘어 ANOVA 를 통해 모델 유형, 데이터셋, 구성 요소가 F1 점수에 미치는 통계적 유의성을 입증.
4. 노이즈 강건성 평가: 실제 양자 하드웨어 (NISQ) 적용 가능성을 평가하기 위해 다양한 양자 노이즈 하에서의 모델 성능을 분석.

4. 실험 결과 (Results)

A. 모델별 성능 비교

• VQC (Variational Quantum Classifier):
  • BankSim: ZZ 및 Pauli 특징맵과 Efficient SU2 안사츠 조합에서 F1 점수 0.68~0.71 달성.
  • European: Z 특징맵 + Pauli Two Design 안사츠 조합에서 F1 점수 0.88로 가장 높은 성능을 기록.
  • 전반적으로 높은 정확도와 재현율을 보이며 가장 안정적인 성능을 발휘했습니다.
• SQNN (Sampler Quantum Neural Network):
  • BankSim: Pauli 특징맵 + Two Local/Real Amplitudes 조합에서 F1 점수 0.84~0.85 달성.
  • European: Z 특징맵 + Two Local 조합에서 F1 점수 0.80 달성.
  • VQC 와 유사하게 높은 성능을 보였으며, 특히 BankSim 데이터에서 매우 강력했습니다.
• EQNN (Estimator Quantum Neural Network):
  • 두 데이터셋 모두에서 VQC 및 SQNN 에 비해 현저히 낮은 성능을 보였습니다 (F1 점수 최대 0.59 수준).
  • 얽힘이 없는 Z 특징맵이나 단순한 안사츠 구성에서는 성능이 크게 저하되었으며, 복잡한 데이터 패턴을 학습하는 데 한계가 있음을 시사합니다.

B. 구성 요소 분석

• Feature Map: 얽힘 (Entanglement) 을 포함하는 Pauli 및 ZZ 특징맵이 일반적으로 성능 향상에 기여했으나, Z 특징맵 (얽힘 없음) 이 VQC 와 SQNN 에서 특정 안사츠 (Two Local, Pauli Two Design) 와 결합 시 놀라운 성능 (높은 정확도) 을 보였습니다. 이는 얽힘이 항상 필수적인 것은 아니며, 데이터 특성과 안사츠의 조화가 중요함을 의미합니다.
• Ansatz: Two Local과 Efficient SU2가 다양한 설정에서 일관된 강건한 성능을 보였습니다. 반면 Pauli Two Design은 모델 아키텍처에 따라 성능 편차가 컸습니다.

C. 통계적 분석 (ANOVA)

• 모델 유형 (Model): F 값 335.08, p-value $1.18 \times 10^{-102}$로 매우 유의미한 영향을 미침. (모델 선택이 성능 결정의 가장 큰 요인)
• Ansatu 및 Feature Map: 둘 다 통계적으로 유의미한 영향을 미침.
• 데이터셋 (Dataset): F 값 1.71, p-value 0.1917로 통계적으로 유의미하지 않음. 이는 모델의 성능 경향성이 데이터셋 종류에 관계없이 일관됨을 의미합니다.

D. 노이즈 강건성 (Robustness)

• SQNN (BankSim): 노이즈가 증가함에 따라 성능이 급격히 하락 (정확도 0.45~0.55 수준). 양자 간섭에 매우 민감함.
• VQC (European): 노이즈가 증가해도 상대적으로 더 나은 성능 유지 (정확도 0.4~0.55 수준). 최적화된 안사츠 구조와 고전적 후처리가 노이즈 저항성에 기여함.
• 결론: VQC 가 실제 양자 하드웨어 배포에 더 적합한 후보로 판단됨.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 가이드라인: 금융 사기 탐지와 같은 복잡한 분류 문제에서 QML 모델을 설계할 때, 단순히 모델만 선택하는 것이 아니라 데이터 특성에 맞는 특징 매핑과 안사츠 조합을 신중하게 선택해야 함을 강조합니다.
• 모델 선정: VQC 와 SQNN 은 현재 NISQ 환경에서도 경쟁력 있는 성능을 보일 수 있으나, EQNN 은 아키텍처적 한계로 인해 개선이 필요합니다.
• 미래 방향: 더 깊은 회로 (Deep Circuits), 더 표현력 있는 안사츠, 그리고 노이즈에 강한 오류 완화 기술의 통합이 향후 연구 방향이 되어야 함을 시사합니다.

이 연구는 양자 머신러닝이 금융 보안 분야에서 실제 적용 가능성을 가지고 있음을 입증하면서도, 아키텍처 설계의 미세한 차이가 성능에 결정적인 영향을 미친다는 점을 통계적, 실증적으로 규명했다는 점에서 중요한 의의를 가집니다.