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

본 논문은 파라미터화된 양자 회로를 활용하여 사기 거래 샘플을 생성하는 하이브리드 양자-고전 생성적 적대적 프레임워크인 Q-SYNTH 를 소개하며, 이는 고전적 기준 모델에 비해 통계적 분포 충실도와 하류 분류 성능 간의 유리한 절충안을 제공함으로써 신용카드 사기 탐지에서의 클래스 불균형 문제를 효과적으로 해결합니다.

핵심

이 글은 Q-SYNTH 논문을 쉬운 일상 언어로 설명하며, 개념을 명확히 하기 위해 비유를 사용합니다.

문제: "건초더미 속의 바늘"

당신이 거대한 공항의 보안 요원이라고 상상해 보세요. 당신의 임무는 수백만 명의 일반 여행자 (정당한 고객) 사이에서 테러리스트 (사기꾼) 를 찾아내는 것입니다.

• 현실: 10,000 명이 통과할 때마다, 실제로 나쁜 짓을 하려는 사람은 고작 5 명일 뿐입니다.
• 실수: 컴퓨터에 실제 데이터만 사용하여 나쁜 놈들을 찾아내도록 훈련시키면, 컴퓨터는 게을러집니다. "모든 사람은 착하다"고 학습하므로, 모든 사람에게 "착함"이라고 추측할 뿐입니다. 시험 점수는 99.9% 를 받지만, 나쁜 놈 한 명도 놓쳐버립니다. 이를 클래스 불균형이라고 합니다.

구식 해결책: "복사 - 붙여넣기" 대 "가짜 만들기"

이 문제를 해결하기 위해 전문가들은 컴퓨터에 나쁜 놈들의 예시를 더 많이 제공합니다.

1. SMOTE ("복사 - 붙여넣기" 방식): 나쁜 놈 한 명을 찍은 사진을 찍어 다른 나쁜 놈의 사진과 직선으로 연결한 뒤, 그 정중앙에 새로운 사진을 만드는 것이라고 상상해 보세요. 안전하고 실제 것과 매우 비슷해 보이지만, 다소 지루하며 나쁜 놈들이 어떻게 행동할 수 있는지에 대한 전체적인 다양성을 보여주지는 못합니다.
2. 전통적 GAN("위조 화가"): 이는 "가짜" 나쁜 놈 프로필을 위조해 보려는 컴퓨터 프로그램을 사용합니다. AI 의 한 부분 (생성기) 이 가짜 신분을 만들고, 다른 부분 (판별기) 이 가짜를 잡아내려 합니다. 고양이와 쥐의 게임을 하는 셈입니다. 이는 매우 다양한 가짜를 만들어내지만, 때로는 위조품이 너무 뻔하거나 실제 통계와 완벽하게 일치하지 않을 수도 있습니다.

새로운 해결책: Q-SYNTH ("양자 위조 화가")

이 논문은 Q-SYNTH라는 새로운 하이브리드 시스템을 소개합니다. 인간 예술가와 양자 로봇이 팀을 이룬다고 생각하세요.

• 생성기 (양자 예술가): 표준 컴퓨터 두뇌 대신 이 부분은 양자 회로를 사용합니다. 양자 컴퓨터를 상상해 보세요. 이는 일반 붓으로는 할 수 없는 방식으로 색을 섞을 수 있는 마법 같은 붓과 같습니다. 수학적으로 복잡하고 다양한 새로운 가짜 사기 프로필을 만들어냅니다.
• 판별기 (인간 미술 평론가): 이 부분은 우리가 오늘날 사용하는 표준 고전 컴퓨터입니다. 실제 사기 프로필과 양자가 생성한 가짜 프로필을 보고 구별해 내려고 노력하는 것이 임무입니다.

그들은 게임을 합니다: 양자 예술가는 인간 평론가가 구별하지 못할 정도로 훌륭한 가짜를 만들려고 노력합니다. 인간 평론가는 가짜를 찾아내는 능력을 향상시키려 노력합니다. 시간이 지남에 따라 양자 예술가는 현실적인 사기 패턴을 만들어내는 데 놀라울 정도로 능숙해집니다.

테스트 방법

연구자들은 단순히 "작동한다"고 말하지 않았습니다. 세 가지 구체적인 목표를 가진 엄격한 테스트를 수행했습니다.

1. 실제처럼 보이나요? (통계적 충실도): 가짜 데이터가 실제 데이터의 "형태"와 일치하는지 확인했습니다 (가짜 신분증 사진이 실제 사진과 눈동자 색과 키의 분포가 같은지 확인하는 것과 같습니다).
   • 결과: 양자 예술가 (Q-SYNTH) 는 표준 "위조 화가" (전통적 GAN) 보다 실제 데이터에 훨씬 더 가까운 가짜를 만들었지만, 단순 통계 측면에서는 "복사 - 붙여넣기" 방식 (SMOTE) 이 여전히 가장 가까웠습니다.
2. 로봇이 구별할 수 있나요? (탐지 가능성): 실제 데이터와 가짜 데이터를 구별해 내려고 시도하는 별도의 로봇을 훈련시켰습니다.
   • 결과: 로봇은 사실상 추측 (50/50) 을 하고 있었습니다. 이는 좋은 일입니다! 가짜 데이터가 너무 현실적이어서 컴퓨터조차 실제 것과 쉽게 구별하지 못한다는 뜻이기 때문입니다.
3. 사기 잡는 데 도움이 되나요? (하류 성능): 가짜 데이터를 사용하여 사기 탐지기를 훈련시키고 더 많은 나쁜 놈들을 잡았는지 확인했습니다.
   • 결과: 양자 예술가의 데이터는 "복사 - 붙여넣기" 방식보다 탐지기가 더 많은 사기를 잡는 데 도움이 되었습니다. 표준 "위조 화가" (전통적 GAN) 가 때로는 사기를 잡는 데 약간 더 나았지만, 양자 예술가는 훌륭한 균형을 제공했습니다: 실제 데이터처럼 보이는 데는 훨씬 뛰어나면서도 사기 잡는 데 여전히 매우 효과적이었습니다.

"볼륨 조절기" 실험

연구자들은 얼마나 많은 가짜 데이터를 추가해야 하는지 테스트했습니다. 약간의 가짜 데이터를 추가하는 것은 큰 도움이 되지 않았습니다. 하지만 중간에서 높은 양 (약 50% 가짜, 50% 실제) 을 추가했을 때, 사기 탐지기의 업무 수행 능력이 크게 향상되었습니다.

결론

Q-SYNTH는 양자 컴퓨팅을 사용하여 놀라울 정도로 현실적인 "가짜" 사기 데이터를 만드는 새로운 도구입니다.

• 컴퓨터가 희귀한 사기 사례를 무시하는 문제를 해결합니다.
• 실제 것과 통계적으로 매우 가까운 데이터를 생성합니다 (표준 AI 방법보다 우수함).
• 더 많은 실제 세계 데이터가 필요 없이 사기 탐지기가 더 많은 나쁜 놈들을 잡도록 돕습니다.

이 논문은 이 "하이브리드" 접근 방식 (양자 생성기 + 고전적 판별기) 이 유망한 중간 지대라고 결론 내립니다. 이는 단순한 방법의 통계적 정확성과 복잡한 AI 의 강력한 학습 능력을 모두 제공하여 금융 사기 퇴치에 강력한 후보가 됩니다.

기술 요약

기술 요약: Q-SYNTH

문제 제기
신용카드 사기 탐지는 근본적으로 극심한 클래스 불균형에 의해 저해되는데, 여기서 사기 거래는 데이터의 극히 작은 부분 (종종 1% 미만) 을 차지합니다. 표준 지도 학습기는 다수 클래스 (정당한 거래) 를 우선시하여 전체 정확도는 높게 달성하지만, 사기 클래스에 대한 재현율 (recall) 과 F1 점수가 낮아지는 문제를 겪습니다. 합성 데이터 증강 (예: SMOTE, GAN) 은 일반적인 해결책이지만, 기존 방법들은 분포 충실도(합성 샘플이 실제 통계적 속성을 얼마나 잘 반영하는가) 와 하류 성능(사기 탐지 개선에 얼마나 효과적인가) 사이의 긴장 관계에 직면해 있습니다. SMOTE 와 같은 고전적 보간 방법은 국소 통계를 보존하지만 다양성이 부족하고, 고전적 생성 적대 신경망 (GAN) 은 다양성을 제공하지만 불균형한 표형 데이터 환경에서 주변 분포 일치와 안정성에 종종 어려움을 겪습니다. 더 나아가, 기존 문헌은 실제와 합성 사기 분포 간의 통계적 유사성을 엄격하게 감사하지 않은 채 하류 지표를 우선시하는 경향이 있습니다.

방법론: Q-SYNTH
본 논문은 표형 데이터에서 소수 클래스인 사기 샘플을 합성하기 위해 설계된 하이브리드 고전 - 양자 적대 프레임워크인 Q-SYNTH를 제안합니다. 아키텍처는 다음과 같이 구성됩니다:

1. 전처리: 원시 거래 데이터는 경계된 저차원 표현 공간으로 변환됩니다. 여기에는 특징 선택 (상위 10 개 특징), 표준화, 차원을 4 로 축소하기 위한 주성분 분석 (PCA), 그리고 $[-1, 1]$ 범위로 정규화가 포함됩니다.
2. 생성기 (양자): 매개변수화된 양자 회로 (PQC) 가 생성기로 작용합니다. 이는 잠재 벡터를 입력받아 고전적 신경망을 통해 회로 매개변수로 매핑한 후, 각도 임베딩 (Y-회전) 을 사용하여 양자 상태를 준비하고, 단일 큐비트 회전 ($R_X, R_Y, R_Z$) 과 링 얽힘 (CNOT 게이트) 을 포함하는 변분 층을 거칩니다. 출력은 파울리-Z 기대값을 통해 얻어지며, 이는 전처리된 도메인과 일관된 경계된 출력을 자연스럽게 생성합니다.
3. 판별기 (고전): 고전적 신경망이 실제 샘플과 생성된 샘플을 구별합니다.
4. 훈련 프로토콜: 이 프레임워크는 다음과 같은 특징을 가진 안정화된 적대 훈련 루프를 사용합니다:
   • 인스턴스 노이즈: 판별기의 과적합을 방지하기 위해 실제 및 생성된 샘플 모두에 주입됩니다.
   • 정규화: 적대 손실과 특징 매칭(중간 판별기 특징 정렬) 및 모멘트 매칭(배치별 평균과 표준 편차 정렬) 을 결합합니다.
   • 적응형 튜닝: 정규화 매개변수 (노이즈 스케일, 레이블 스무딩, 드롭아웃) 는 유익한 기울기를 유지하기 위해 판별기 행동에 기반하여 동적으로 조정됩니다.

주요 기여

• 하이브리드 프레임워크: 변분 양자 회로가 고전적 판별기에 의해 안내되며 소수 클래스 샘플을 생성하는 Q-SYNTH 의 도입.
• 엔드 - 투 - 엔드 파이프라인: 전처리 및 경계된 표현 매핑부터 하류 평가를 위한 역변환까지의 통제된 워크플로우.
• 통합 평가 프로토콜: AUC-ROC 를 통한 실제 - 대 - 합성 탐지성 (KS 통계, 와서스타인 거리 사용) 을 포함한 분포 충실도와 양자 및 고전 분류기 모두에 대한 하류 성능(사기 재현율 및 F1 점수) 을 공동으로 평가하는 엄격한 평가 프레임워크.
• 실증적 트레이드오프 분석: 하이브리드 모델이 고전적 GAN 보다 통계적 충실도를 개선하면서도 경쟁력 있는 탐지 성능을 유지하는 특정 절충점을 입증.

결과

• 분포 충실도: 실제 사기 데이터와의 주변 유사성 측면에서 SMOTE 는 보간 특성으로 인해 가장 높은 충실도 (최저 KS 및 와서스타인 거리) 를 달성했습니다. 그러나 Q-SYNTH 는 고전적 GAN 베이스라인을 크게 능가하여 주변 분포 격차를 줄였습니다 (예: Q-SYNTH KS 중앙값: 0.069 vs 고전적 GAN: 0.185). 결정적으로, Q-SYNTH 는 낮은 실제 - 대 - 합성 탐지성 (AUC $\approx$ 0.475, 무작위 확률에 근접) 을 유지하여 합성 샘플이 외부 분류기에 의해 실제 샘플과 쉽게 구별되지 않음을 나타냈습니다.
• 하류 성능: 훈련 데이터를 증강하는 데 사용될 때, Q-SYNTH 는 불균형 베이스라인과 종종 SMOTE 보다 양자 신경망 (QNN) 과 고전적 분류기 (ANN, 로지스틱 회귀, 랜덤 포레스트, XGBoost) 에서 사기 재현율 및 F1 점수를 향상시켰습니다. 고전적 GAN 이 특정 구성에서 때때로 절대적 하류 점수에서 최고치를 달성하기도 했으나, Q-SYNTH 는 여전히 매우 경쟁력 있었습니다.
• 확장성 분석: 낮은 주입 비율 (10% 합성 데이터) 에서 성능 향상은 비단조적이었습니다 (때로는 성능을 저하시킴). 최적의 결과는 중간에서 높은 주입 비율 (50% 및 100%) 에서 관찰되었으며, 이는 효과적인 결정 경계 이동을 위해서는 충분한 양의 합성 데이터가 필요함을 시사합니다.

의의 및 주장
본 논문은 Q-SYNTH 가 통계적 충실도와 하류 유용성 사이에서 유리한 트레이드오프를 제공한다고 주장합니다. 고전적 GAN 은 일부 설정에서 하류 성능을 극대화할 수 있지만, 종종 더 나쁜 주변 분포 일치를 겪습니다. 반면, Q-SYNTH 는 표형 데이터에 대한 고전적 적대 훈련에서 흔히 발생하는 주변 아티팩트를 완화하여, 실제 사기 분포에 통계적으로 더 충실한 샘플을 제공하면서도 사기 탐지 지표에서 상당한 개선을 이끌어냅니다. 이 연구는 하이브리드 양자 증강을 불균형 사기 탐지의 특정 병목 현상을 해결하는 실현 가능하고 유망한 접근법으로 제시하며, 특히 저차원 표형 표현에서 그 가능성을 강조합니다. 저자들은 이러한 결과가 압축된 표현 파이프라인 내에서 얻어졌으며, 현실적인 NISQ (Noisy Intermediate-Scale Quantum) 제약 하에서 의존성 인식 충실도 지표와 하드웨어 인식 평가에 대한 향후 연구를 요구한다고 명시합니다.