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

Resumo Técnico: Análise Comparativa de Arquiteturas de Aprendizado de Máquina Quântica para Detecção de Fraude em Cartões de Crédito

1. Problema e Motivação

A fraude com cartões de crédito representa uma ameaça global crescente, causando perdas bilionárias anualmente. Os métodos tradicionais de Aprendizado de Máquina (ML) enfrentam desafios significativos devido ao volume massivo de dados, à complexidade dos padrões fraudulentos, ao desbalanceamento extremo das classes (fraudes são raras) e à necessidade de decisões em tempo real.
O Aprendizado de Máquina Quântico (QML) surge como uma solução promissora, utilizando propriedades quânticas como emaranhamento e superposição para processar dados em espaços de características de alta dimensão de forma mais eficiente. No entanto, há uma lacuna no conhecimento sobre quais configurações de arquitetura quântica (especificamente feature maps e ansatzes) são mais eficazes para tarefas de detecção de fraude com dados financeiros reais e não normalizados.

2. Metodologia

O estudo propõe uma avaliação sistemática e empírica de três arquiteturas de QML aplicadas a dois conjuntos de dados reais de fraude:

• Conjuntos de Dados:
  1. BankSim: Dados sintéticos gerados por um simulador bancário (aprox. 594k transações).
  2. European: Dados públicos de transações de cartões europeus (284k transações, altamente desbalanceados).
  • Pré-processamento: Os dados foram balanceados (50/50) via Random Under Sampling, normalizados e reduzidos (PCA no dataset Europeu) para se adequarem aos qubits disponíveis.
• Modelos Quânticos Avaliados:
  1. VQC (Variational Quantum Classifier): Um circuito quântico parametrizado otimizado classicamente.
  2. SQNN (Sampler Quantum Neural Network): Arquitetura híbrida que utiliza um amostrador quântico para extrair amostras de distribuições de probabilidade.
  3. EQNN (Estimator Quantum Neural Network): Arquitetura híbrida que combina um circuito quântico com uma rede neural clássica, focada em estimar valores esperados.
• Configurações Variáveis:
  • Feature Maps (Codificação): Pauli, ZZ (emaranhado) e Z (sem emaranhamento).
  • Ansatzes (Circuitos Variacionais): Real Amplitudes, Efficient SU2, Two Local e Pauli Two Design.
  • Otimização: Utilizou-se o otimizador COBYLA e o simulador QasmSimulator (Qiskit).
• Validação:
  • Métricas de desempenho: Acurácia, Precisão, Recall e F1-Score.
  • Validação Estatística: Teste ANOVA de uma via para determinar a significância das diferenças entre modelos, feature maps e ansatzes.
  • Análise de Robustez: Testes sob cinco tipos de ruído quântico (amortecimento de amplitude, bit flip, depolarizing, amortecimento de fase e phase flip) para simular condições de hardware NISQ (Noisy Intermediate-Scale Quantum).

3. Principais Contribuições

• Análise Comparativa Abrangente: Primeira avaliação detalhada comparando VQC, SQNN e EQNN especificamente para detecção de fraude financeira.
• Mapeamento de Configurações: Identificação de como a escolha do feature map (codificação) e do ansatz (estrutura do circuito) impacta diretamente a capacidade de detecção.
• Validação Estatística Rigorosa: Uso de ANOVA para provar que as diferenças de desempenho não são aleatórias, mas sim causadas pela arquitetura do modelo e configurações.
• Análise de Robustez ao Ruído: Avaliação da resiliência dos melhores modelos em cenários de ruído, crucial para a viabilidade em hardware real.

4. Resultados Chave

• Desempenho dos Modelos:

  • VQC e SQNN: Demonstraram desempenho superior e competitivo. O VQC alcançou o melhor resultado geral, com um F1-Score de 0.88 no dataset Europeu (configuração: Feature Map Z + Ansatz Pauli Two Design). O SQNN também obteve resultados excelentes, especialmente no dataset BankSim (F1-Score de 0.85).
  • EQNN: Apresentou desempenho significativamente inferior (F1-Score médio em torno de 0.40-0.50), struggleando para capturar padrões complexos, sugerindo limitações estruturais na mapeamento de valores esperados para classes binárias neste contexto.

• Impacto de Feature Maps e Ansatzes:

  • Feature Maps: Os mapas que incorporam emaranhamento (ZZ e Pauli) geralmente melhoraram o desempenho do VQC e SQNN, permitindo a captura de interações complexas entre características. No entanto, o mapa Z (sem emaranhamento) também performou muito bem, especialmente em configurações específicas do VQC, possivelmente devido à menor profundidade do circuito e menor sensibilidade ao ruído.
  • Ansatzes: O Two Local e o Efficient SU2 mostraram-se os mais versáteis e robustos. O Pauli Two Design teve resultados inconsistentes, dependendo fortemente da combinação com o feature map.

• Validação Estatística (ANOVA):

  • O fator "Modelo" teve um efeito altamente significativo no F1-Score ($p < 10^{-102}$), confirmando que a escolha da arquitetura é o fator determinante.
  • Feature Map e Ansatz também foram estatisticamente significativos.
  • O fator "Dataset" não foi significativo, indicando que as tendências de desempenho dos modelos foram consistentes entre os dados sintéticos (BankSim) e reais (Europeu).

• Robustez ao Ruído:

  • Sob condições de ruído (simulando hardware NISQ), o VQC demonstrou maior resiliência em comparação ao SQNN, mantendo níveis de acurácia aceitáveis mesmo com ruído de 0.25.
  • O SQNN foi mais sensível a perturbações, especialmente sob ruído depolarizing e de amortecimento de fase.
  • Ambos os modelos sofreram degradação significativa sob altos níveis de ruído, mas o VQC manteve uma estabilidade superior devido à sua estrutura de otimização e pós-processamento clássico eficaz.

5. Significado e Conclusão

Este trabalho demonstra que o QML tem potencial real para melhorar a detecção de fraude financeira, superando limitações de métodos clássicos em certos aspectos, desde que a arquitetura seja cuidadosamente configurada.

• Conclusão Principal: Não existe uma configuração "única" ideal; o sucesso depende da sinergia entre o tipo de modelo, o método de codificação de dados (feature map) e a estrutura do circuito variável (ansatz).
• Recomendação Prática: Para aplicações financeiras em hardware NISQ, o VQC com feature maps que equilibram expressividade e profundidade (como Z ou ZZ) e ansatzes robustos (como Two Local) é a abordagem mais promissora.
• Futuro: O estudo aponta para a necessidade de arquiteturas mais expressivas e técnicas de mitigação de erro para que o QML possa operar com eficiência em larga escala em ambientes financeiros reais.

Em suma, o artigo fornece um guia prático e estatisticamente validado para pesquisadores e profissionais que buscam implementar soluções de QML para segurança financeira, destacando a importância crítica da engenharia de arquitetura quântica.