Feature-Optimized Quantum Classification Model for Financial Transaction Anomalies

기술 요약: 금융 거래 이상 탐지를 위한 특징 최적화 양자 분류 모델

문제 정의
디지털 금융 거래의 기하급급한 성장은 전통적인 머신러닝 모델이 놓치기 쉬운 미세하고 비선형적인 패턴을 식별할 수 있는 지능형 사기 탐지 시스템에 대한 긴급한 수요를 창출했습니다. 기존의 접근 방식은 특히 정상 거래와 사기 행위를 구분할 때, 금융 데이터에 내재된 고차원적이고 복잡한 상관관계로 인해 어려움을 겪는 경우가 많습니다. 본 연구는 고전적 데이터 전처리와 양자 머신러닝(QML) 기술을 통합하여 특징 표현과 분류 성능을 향려함으로써 사기 탐지 정확도를 개선하는 과제를 다룹니다.

방법론
제안된 프레임워크는 엄격한 데이터 전처리에서 시작하여 양자 서포트 벡터 머신(QSVM) 분류로 정점에 이르는 하이브리드 고전-양자 파이프라인을 따릅니다.

1. 데이터 전처리 및 특징 공학 (Feature Engineering):

   • 데이터셋: 본 연구는 Hugging Face의 "Synthetic Financial Datasets for Fraud Detection (Cleaned)"를 활용하며, 여기에는 약 636만 개의 합성 거래 기록과 11개의 속성이 포함되어 있습니다. 이 데이터셋은 사기 거래가 전체의 약 0.13%만을 차지하는 심각한 클래스 불균형을 보입니다.
   • 결측치 처리: 데이터셋에 결측치가 없음을 명시적으로 확인하였습니다. 방법론에서는 일반적인 프레임워크의 일부로서 평균(Mean), 중앙값(Median), 최빈값(Mode) 대체 전략을 설명하고 있으나, 본 연구에 사용된 특정 데이터셋은 이미 정제되어 있어 대체가 필요하지 않았습니다.
   • 스케일링 및 정규화: 특징 분포를 균일하게 하고 모델 수렴을 개선하기 위해 Z-Score 표준화와 Min-Max 스케일링을 수행합니다.
   • 특징 선택: 주요 수치형 속성(예: 거래 금액, 거래 전후의 계좌 잔액)을 선택하고, 양자 회전 요구 사항을 충족하기 위해 $[0, \pi]$ 범위로 스케일링합니다.

2. 양자 특징 매핑 (Quantum Feature Mapping):

   • 전처리된 고전적 데이터는 ZZFeatureMap을 사용하여 양자 상태로 변환됩니다. 이 특징 맵은 데이터를 고차원 힐베르트 공간(Hilbert space)으로 인코딩하며, 얽힘 게이트(entangling gates)를 활용하여 고전 모델이 표현하기 어려운 쌍별 특징 상호작용과 비선형 상관관계를 포착합니다.
   • 매핑 과정은 특징 맵의 차원을 정의하고, 반복 횟수(reps=2)를 설정하며, 선형 얽힘(linear entanglement)을 사용하는 과정을 포함합니다.

3. 양자 커널 평가:

   • **양자 커널(Quantum Kernel)**은 ZZFeatureMap과 상태 벡터 시뮬레이터 백엔드를 사용하여 구축됩니다. 이 커널은 양자 인코딩된 샘플 간의 쌍별 유사성을 평가하여, 변환된 양자 공간 내 데이터 포인트 간의 상관관계 강도를 정량화하는 커널 행렬을 생성합니다.

4. 분류 (QSVM):

   • 사전 계산된 양자 커널 행렬을 사용하여 **양자 서포트 벡터 머신(QSVM)**을 학습시킵니다. 데이터셋은 70%의 훈련 세트와 30%의 테스트 세트로 분할됩니다(층화 추출 적용).
   • 분류기는 훈련 커널 행렬($K_{train}$)을 사용하여 학습되며, 교차 커널 행렬($K_{test}$)을 사용하여 테스트 세트에 대해 평가됩니다.

주요 기여

• 하이브리드 프레임워크 통합: 고전적 데이터 엔지니어링(스케일링)과 양자 특징 매핑 및 커널 기반 분류를 매끄럽게 통합하는 완전한 파이프라인을 제시합니다.
• ZZFeatureMap 구현: 금융 사기 탐지를 위한 ZZFeatureMap의 구체적인 적용 사례를 입증하며, 이 맵이 어떻게 거래 데이터를 양자 힐베르트 공간으로 변환하여 클래스 분리도를 높이는지 보여줍니다.
• 합성 데이터 기반 벤치마킹: 대규모의 현실적인 합성 금융 데이터셋에 대한 QSVM 접근 방식의 구조화된 평가를 제공하여, 향후 금융 분야의 QML 적용을 위한 베이스라인을 제시합니다.

결과
제안된 양자 강화 사기 탐지 프레임워크는 테스트 세트에서 다음과 같은 성능 지표를 달성했습니다:

• 정확도 (Accuracy): 91%
• 정밀도 (사기, Precision): 0.88
• 재현율 (사기, Recall): 0.90
• F1-스코어 (사기, F1-Score): 0.89
• 정밀도 (정상, Precision): 0.92
• 재현율 (정상, Recall): 0.91
• F1-스코어 (정상, F1-Score): 0.91

결과는 낮은 오탐률(False Positives)과 미탐률(False Negatives)을 보이며 균형 잡힌 성능을 나타내며, 이는 모델이 클래스 불균형에도 불구하고 잘 일반화됨을 시사합니다.

의의 및 주장
저자는 본 연구가 금융 사기 탐지에 양자 강화 컴퓨팅을 통합하는 초기 단계라고 주장합니다. 본 연구는 양자 특징 매핑이 양자 커널 기반 SVM과 결합될 때, 구조화된 금융 데이터에서 전통적인 분류기보다 우수한 성능을 보일 수 있다는 가설을 검증합니다.

본 연구의 의의는 특징 간의 복잡하고 얽힌 관계를 포착하는 양자 접근 방식의 입증된 능력에 있으며, 이를 통해 사기 거래와 정상 거래 사이의 탁월한 식별을 가능하게 합니다. 논문은 이러한 하이브리드 양자-고전 접근 방식이 양자 머신러닝의 일반화 능력과 견고함을 활용하여, 확장 가능하고 안전하며 지능적인 사기 방지 시스템을 위한 미래 연구의 유망한 방향을 제시한다고 기술합니다. 저자는 특징 맵과 하이퍼파라미터의 선택이 매우 중요함을 강조하며, 이는 양자 커널이 고전적 베이스라인에 비해 실질적인 이점을 가진다는 최근 문헌의 내용과 일치합니다.