⚛️ quantum physics

IQNN-CS: Interpretable Quantum Neural Network for Credit Scoring

이 논문은 금융권의 규제 준수와 신뢰성을 위해 해석 가능한 양자 신경망 프레임워크인 IQNN-CS를 제안하며, 새로운 지표인 ICAA를 통해 다중 클래스 신용 점수 분류 모델의 예측 근거를 투명하게 설명할 수 있음을 보여줍니다.

원저자: Abdul Samad Khan, Nouhaila Innan, Aeysha Khalique, Muhammad Shafique

게시일 2026-02-12

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Abdul Samad Khan, Nouhaila Innan, Aeysha Khalique, Muhammad Shafique

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 배경: "블랙박스"라는 무서운 심사관

은행에서 대출을 신청했는데, AI가 갑자기 **"거절!"**이라고 외쳤다고 상상해 보세요. 여러분이 "왜 안 되나요?"라고 물었을 때, AI가 **"그냥 내 계산 결과가 그래요. 이유는 저도 몰라요."**라고 답한다면 어떨까요?

이런 상태를 전문 용어로 **'블랙박스(Black Box)'**라고 합니다. 속이 보이지 않으니 믿을 수가 없고, 법적으로도 "이유를 설명해야 한다"는 규칙(GDPR 등)을 어기게 됩니다. 특히 돈이 걸린 금융 문제에서는 이 '이유'를 아는 것이 매우 중요합니다.

2. 새로운 도구: "양자(Quantum)라는 마법의 돋보기"

연구진은 이 문제를 해결하기 위해 **'양자 신경망(QNN)'**이라는 최첨단 기술을 가져왔습니다.

양자는 아주 미세한 세계의 법칙을 따르기 때문에, 기존의 일반 AI보다 훨씬 복잡하고 미묘한 데이터의 패턴을 찾아내는 능력이 뛰어납니다. 마치 **일반 돋보기로는 안 보이던 아주 작은 먼지까지 찾아내는 '초정밀 양자 돋보기'**를 사용하는 것과 같습니다. 하지만 문제는 이 돋보기가 너무 강력해서, 정작 "무엇을 보고 찾아낸 건지" 설명하기가 더 어려워졌다는 점입니다.

3. 핵심 발명: "IQNN-CS"와 "ICAA" (설명 가능한 AI)

그래서 연구진은 단순히 성능만 좋은 게 아니라, "자기가 왜 그런 결정을 내렸는지 스스로 설명할 수 있는" 모델인 IQNN-CS를 만들었습니다.

여기서 가장 중요한 발명품은 **ICAA(Inter-Class Attribution Alignment)**라는 새로운 측정 도구입니다. 이걸 아주 쉬운 비유로 설명하자면 이렇습니다.

[비유: 요리 심사위원의 채점표]
세 명의 심사위원이 요리를 평가한다고 해봅시다.

심사위원 A: "이 요리는 '짠맛' 때문에 합격입니다!"

심사위원 B: "이 요리는 '매운맛' 때문에 합격입니다!"

심사위원 C: "이 요리는 '단맛' 때문에 합격입니다!"

만약 세 명 모두 똑같이 "그냥 맛있어서요"라고만 한다면, 이들은 요리의 특징을 제대로 구분하지 못하는 것입니다. 하지만 ICAA는 이 심사위원들이 각 등급(우수, 보통, 미흡)을 매길 때 사용하는 '기준(맛의 요소)'이 서로 얼마나 명확하게 다른지를 체크합니다.

만약 '우수' 등급을 줄 때와 '미흡' 등급을 줄 때 똑같은 이유(예: 그냥 짜다)만 댄다면, 이 모델은 제대로 공부를 안 한 것입니다. IQNN-CS는 이 '이유의 차이'를 수치로 계산해서 모델이 똑똑하게 구분하고 있는지 확인합니다.

4. 실험 결과: "데이터가 깨끗하면 천재, 복잡하면 헷갈림"

연구진은 두 가지 데이터를 가지고 실험했습니다.

데이터 1 (깨끗한 데이터): 모델이 마치 **'명탐정'**처럼 행동했습니다. "이 사람은 소득이 높고 연체가 없어서 합격입니다!"라고 아주 명확하고 깔끔하게 이유를 찾아냈습니다.
데이터 2 (복잡한 데이터): 모델이 조금 **'혼란스러운 학생'**처럼 행동했습니다. 데이터가 너무 복잡해서 "음... 이것도 중요하고 저것도 중요한 것 같은데..."라며 이랬다저랬다 하는 모습을 보였습니다.

5. 결론: "믿을 수 있는 미래의 금융 AI"

이 논문의 결론은 이렇습니다.
"우리는 양자 기술을 이용해 아주 똑똑하면서도, 동시에 '왜 이런 결정을 내렸는지'를 명확하게 설명할 수 있는 금융 AI의 길을 열었다."

이제 미래의 은행 AI는 단순히 "안 됩니다"라고 말하는 것이 아니라, **"당신의 최근 대출 이력이 이 부분에서 위험 신호를 보였기 때문에 안 됩니다"**라고 친절하고 투명하게 설명해 줄 수 있게 될 것입니다.

[기술 요약] IQNN-CS: 신용 점수 산정을 위한 해석 가능한 양자 신경망

1. 문제 정의 (Problem Statement)

금융 서비스에서 **신용 점수 산정(Credit Scoring)**은 개인의 대출 승인 및 금리에 직접적인 영향을 미치는 고위험(High-stakes) 작업입니다. 따라서 모델은 높은 예측 성능뿐만 아니라, GDPR이나 Basel III와 같은 엄격한 금융 규제를 준수하기 위한 **투명성(Transparency)**과 **해석 가능성(Interpretability)**을 반드시 갖추어야 합니다.

최근 양자 기계 학습(QML)이 복잡한 데이터 패턴을 처리할 수 있는 잠재력으로 주목받고 있으나, 기존의 양자 신경망(QNN)은 내부 동작을 알 수 없는 '블랙박스(Black-box)' 특성을 가집니다. 특히 다중 클래스(Multiclass) 분류 상황에서 모델이 왜 특정 신용 등급을 부여했는지 설명할 수 있는 표준화된 도구가 부족하다는 것이 핵심 문제입니다.

2. 연구 방법론 (Methodology)

본 논문은 해석 가능성을 설계 단계부터 고려한 하이브리드 양자-고전 파이프라인인 IQNN-CS 프레임워크를 제안합니다.

데이터 전처리 (Data Preparation): 클래스 불균형을 해결하기 위해 Undersampling 또는 SMOTE를 적용하고, 표준화(Standardization) 및 차원 축소(PCA)를 통해 양자 회로의 큐비트 수에 맞게 데이터를 변환합니다.
하이브리드 모델 구조 (Hybrid Model Architecture):
1. 고전 전처리 블록: PCA 압축 데이터를 ReLU 활성화 함수를 가진 완전 연결 계층(Fully Connected Layers)을 통해 잠재 벡터로 변환합니다.
2. 양자 계층 (Quantum Layer): 각 특징을 큐비트에 매핑하는 Angle Encoding을 사용하며, 학습 가능한 매개변수 $\theta$ 를 가진 **변분 양자 회로(Variational Quantum Circuit, VQC)**를 통해 데이터를 처리합니다. Pauli-Z 측정을 통해 양자 특징을 추출합니다.
3. 고전 후처리 블록: 추출된 양자 특징을 Dropout 및 선형 투영(Linear Projection)을 거쳐 최종 신용 등급(Logits)으로 출력합니다.
학습 (Training): Negative Log-Likelihood(NLL) 손실 함수와 AdamW 옵티마이저를 사용하며, 양자 기울기 계산을 위해 Parameter-shift rule을 적용합니다.
사후 해석 기법 (Post-hoc Interpretability):
- Gradient-based Attribution: Saliency maps, Integrated Gradients 등을 통해 입력 특징의 중요도를 추정합니다.
- Prototype Matching: 양자 특징 공간에서 코사인 유사도를 이용해 유사한 과거 사례를 검색합니다.
- ICAA (Inter-Class Attribution Alignment): 본 논문의 핵심 제안 기법으로, 예측된 각 클래스 간의 특징 기여도(Attribution) 차이를 정량화하여 모델이 클래스 간을 어떻게 구분하는지 분석합니다.

3. 주요 기여 (Key Contributions)

IQNN-CS 프레임워크 제안: 신용 점수 산정을 위해 설계된, 해석 가능성을 고려한 하이브리드 양자-고전 신경망 구조를 제시했습니다.
ICAA 메트릭 도입: 다중 클래스 분류 작업에서 클래스 간 기여도 발산(Attribution Divergence)을 측정하는 새로운 지표인 **ICAA(Inter-Class Attribution Alignment)**를 개발하여, 모델의 추론 논리가 클래스별로 얼마나 구별되는지 정량적으로 보여줍니다.
실제 데이터 검증: 두 개의 실제 신용 데이터셋을 통해 모델의 견고성, 예측 성능 및 해석 가능성을 종합적으로 평가했습니다.

4. 연구 결과 (Results)

예측 성능:
- Dataset 1: 정확도(Accuracy) 및 F1-score 100%를 달성하며 매우 안정적인 수렴과 강력한 일반화 성능을 보였습니다.
- Dataset 2: 정확도 77.3%를 기록했습니다. 데이터의 복잡성과 클래스 불균형으로 인해 Dataset 1보다 학습이 불안정하고 오버피팅 경향을 보였으나, 모델의 한계를 해석 도구를 통해 파악할 수 있었습니다.
해석 가능성 분석:
- Saliency Maps: Dataset 1은 집중된(Focused) 기여도를 보인 반면, Dataset 2는 분산되고 노이즈가 많은 양상을 보여 데이터 품질이 해석에 미치는 영향을 확인했습니다.
- t-SNE 시각화: Dataset 1은 클래스 간 경계가 명확한 매니폴드를 형성했으나, Dataset 2는 클래스 간 중첩(Overlap)이 발생하여 모델의 혼란을 시각적으로 증명했습니다.
- ICAA 결과: Dataset 1은 클래스별 기여도가 명확히 분리된 반면, Dataset 2는 기여도가 겹치는 현상을 보여 모델의 의사결정 논리가 모호함을 밝혀냈습니다.

5. 의의 (Significance)

본 연구는 단순히 양자 모델의 성능을 높이는 것을 넘어, **"양자 모델이 금융과 같은 규제 산업에서 어떻게 신뢰를 얻을 수 있는가?"**에 대한 실질적인 경로를 제시합니다. 특히 제안된 ICAA 메트릭은 모델의 성능 수치(Accuracy) 뒤에 숨겨진 논리적 결함(예: 클래스 간 추론의 모호성)을 찾아내는 강력한 진단 도구로서의 가치를 지닙니다. 이는 향후 금융, 의료 등 고신뢰가 요구되는 분야에 양자 기계 학습을 도입하는 데 필수적인 프레임워크가 될 것입니다.