A Mixture-of-Experts Framework for Practical Hybrid-Quantum Models in Credit Card Fraud Detection

Este artigo demonstra que um framework híbrido quântico-clássico baseado em uma arquitetura de mistura de especialistas, integrado a um classificador XGBoost, melhora a detecção de fraudes em cartões de crédito com precisão superior e tempo de inferência adicional viável para instituições financeiras.

O essencial

Imagine que você é o gerente de segurança de um banco gigante. Todos os dias, milhões de pessoas passam pelo seu portão para fazer compras. A maioria é de clientes normais (os "nominais"), mas, de vez em quando, um ladrão disfarçado tenta entrar para roubar.

O problema é que os ladrões são extremamente raros (menos de 1 em 1.000) e muito inteligentes. Eles mudam de tática o tempo todo. Se você tentar barrar todo mundo que parece suspeito, vai parar muitos clientes inocentes (falsos positivos), o que é chato e caro para o banco. Se for muito relaxado, os ladrões passam.

Este artigo descreve uma nova ferramenta para ajudar o banco a pegar os ladrões sem atrapalhar os clientes. Eles criaram um sistema "híbrido" que mistura a inteligência clássica dos computadores de hoje com a magia (ainda em desenvolvimento) dos computadores quânticos.

Aqui está a explicação passo a passo, usando analogias simples:

1. O Problema: A Agulha no Palheiro

Os dados de cartões de crédito são como um palheiro gigante. A maioria é palha (compras normais). A agulha é a fraude.

• O desafio: Os modelos de computador comuns (como o famoso XGBoost) são ótimos, mas às vezes falham em encontrar as agulhas mais difíceis ou disfarçadas.
• A solução quântica: Os computadores quânticos são como uma lente de aumento mágica que pode ver padrões complexos que os computadores normais não conseguem enxergar. Mas, eles são lentos e caros de usar para tudo.

2. A Solução: O "Sistema de Especialistas" (Mixture-of-Experts)

Em vez de usar um computador quântico para analisar cada transação (o que seria muito lento), os autores criaram um sistema inteligente de triagem. Pense nisso como um aeroporto com dois tipos de segurança:

• O Guardião Rápido (Clássico): Um modelo de IA tradicional (XGBoost) que é super rápido. Ele analisa a maioria das pessoas. Se ele disser "Tudo certo", a pessoa passa.
• O Detetive Especialista (Quântico): Um modelo híbrido (parte clássica, parte quântica) que é muito preciso, mas lento. Ele só é chamado quando o Guardião Rápido está em dúvida ou quando a situação parece suspeita.

Como funciona o "Router" (O Porteiro Inteligente):
O segredo do artigo é um "Porteiro" (chamado de router). Ele decide, em milissegundos:

1. "Essa transação parece normal? Deixe o Guardião Rápido cuidar."
2. "Essa transação parece estranha ou o Guardião Rápido não tem certeza? Chame o Detetive Especialista Quântico!"

Isso permite que o banco use a tecnologia quântica apenas onde ela realmente faz a diferença, mantendo a velocidade necessária para não travar o caixa do supermercado.

3. A Máquina de Detecção (O Modelo Híbrido)

O "Detetive Especialista" não é apenas um computador quântico solto. Ele é uma máquina bem construída com três partes:

1. O Redutor de Ruído (Autoencoder): Imagine que você tem uma foto muito grande e cheia de detalhes desnecessários. Essa parte da máquina "comprime" a foto, mantendo apenas os detalhes importantes (como a cor dos olhos e o formato do rosto) e jogando fora o resto. Isso ajuda o computador quântico a não se perder em dados demais.
2. O Tradutor (Codificação de Ângulo): Computadores quânticos não entendem números comuns (como "R$ 50,00"). Eles entendem "rotações". Essa parte traduz o valor da compra em uma rotação de um giroscópio quântico.
3. O Juiz (Circuito Quântico Variacional): É o cérebro quântico que analisa essas rotações e decide: "Isso é fraude ou não?".
4. O Ajuste Fino (Calibração): Às vezes, a máquina diz "90% de certeza" mas está errada. Eles usam uma técnica de "temperatura" para ajustar o termômetro da máquina, garantindo que quando ela diz "90%", ela realmente tenha 90% de chance de estar certa.

4. Os Resultados: O Que Eles Descobriram?

Eles testaram isso com dados reais de cartões de crédito europeus.

• Precisão: O sistema híbrido foi melhor que o sistema clássico sozinho. Ele conseguiu identificar mais fraudes reais sem confundir clientes inocentes.
• O Troco (Trade-off): Eles notaram que, ao usar o sistema quântico, eles reduziram um pouco a quantidade de fraudes pegas (recall), mas reduziram muito a quantidade de clientes inocentes bloqueados por engano (falsos positivos).
  • Analogia: É melhor deixar um ladrão passar (que o banco pode pegar depois) do que prender um cliente inocente e fazê-lo perder a confiança no banco. O sistema focou em não atrapalhar os clientes.
• Velocidade: Mesmo usando um computador quântico (que é lento), o tempo extra gasto foi de apenas 7 a 21 minutos para analisar 14.000 transações. Se usassem o quântico para tudo, levaria quase 12 horas! O sistema de "Porteiro" tornou tudo viável.

Resumo Final

Este artigo mostra que não precisamos escolher entre "velocidade" e "inteligência quântica". Ao criar um sistema onde um computador rápido faz o trabalho pesado e um computador quântico (rápido e preciso) entra apenas para resolver os casos difíceis, conseguimos detectar fraudes de forma mais inteligente, sem atrasar o seu cartão de crédito no caixa.

É como ter um time de futebol onde o goleiro (clássico) para a maioria dos chutes, mas você chama o melhor defensor do mundo (quântico) apenas quando a bola está indo para um ângulo impossível. O resultado? Menos gols sofridos e o jogo continua rápido.

Resumo técnico

Resumo Técnico: Um Framework Mixture-of-Experts para Modelos Híbridos Quântico-Clássicos Práticos na Detecção de Fraude em Cartões de Crédito

1. O Problema

A detecção de fraude financeira, especificamente em cartões de crédito, enfrenta desafios críticos:

• Desequilíbrio de Classes Severo: As transações fraudulentas representam menos de 1% dos dados (no conjunto de dados utilizado, ~0,172%), tornando difícil o treinamento de modelos que generalizem bem.
• Complexidade e Evolução: Os dados são de alta dimensão, temporais e heterogêneos. Além disso, os fraudadores adaptam seus métodos continuamente, exigindo sistemas que se ajustem rapidamente.
• Restrições de Latência: Em instituições financeiras, a classificação deve ocorrer em tempo quase real. O uso de hardware quântico atual (NISQ - Noisy Intermediate-Scale Quantum) é limitado por tempos de execução, compilação e latência de servidor, tornando inviável o uso de modelos puramente quânticos para todas as transações.
• Custo de Falsos Positivos: Rejeitar erroneamente uma transação legítima (falso positivo) é extremamente custoso, podendo levar à perda de clientes e custos operacionais que superam as próprias perdas por fraude.

2. Metodologia

Os autores propõem uma arquitetura híbrida quântico-clássica integrada a um framework Mixture-of-Experts (MoE) para superar as limitações de latência e melhorar a performance.

A. Arquitetura Híbrida (Baseada no "Guided Quantum Compressor" - GQC):
O modelo individual é composto por:

1. Autoencoder (Redução de Dimensionalidade): Um autoencoder treinado exclusivamente com casos não fraudulentos para comprimir os dados de entrada. Isso garante que a representação latente preserve a máxima informação sobre o comportamento legítimo.
2. Codificação Angular (Angle Encoding): Os dados reduzidos são mapeados para o espaço quântico usando rotações no eixo Y de qubits.
3. Circuito Quântico Variacional (VQC): Um classificador quântico utilizando um ansatz de camadas alternadas (rotações Y e Z seguidas por portas CNOT entre vizinhos). O objetivo é otimizar a separação entre classes no espaço de Hilbert.
4. Cabeça de Classificação Clássica (MLP): Diferente do GQC original, o modelo inclui uma rede neural feedforward (MLP) após o circuito quântico. Isso permite o ajuste fino e a geração de probabilidades de saída.
5. Calibração de Temperatura: Uso de Platt scaling para calibrar as probabilidades de saída, garantindo que a confiança do modelo reflita a probabilidade real de acerto.

B. Framework Mixture-of-Experts (MoE):
Para contornar a latência do hardware quântico, o sistema não aplica o modelo quântico a todas as transações. Em vez disso, utiliza um mecanismo de roteamento:

• Especialista Primário (Clássico): Um modelo XGBoost de alto desempenho (State-of-the-Art).
• Especialista Secundário (Híbrido): A arquitetura quântico-clássica descrita acima.
• Roteador (Gating Network): Um modelo XGBoost treinado para prever quando o especialista secundário (quântico) superará o primário. O roteador é treinado com base em exemplos de validação onde o modelo quântico acerta e o clássico erra.
• Decisão: Para cada transação, o roteador decide se usa o XGBoost (rápido) ou o modelo híbrido (potencialmente mais preciso, mas mais lento).

3. Principais Contribuições

1. Arquitetura GQC Aprimorada: Introdução de uma cabeça de classificação clássica e calibração de temperatura para melhorar a confiabilidade das previsões em detecção de fraude, além de uma mudança no ansatz do circuito quântico (codificação de dados única vs. intercalada).
2. Framework MoE para Baixa Latência: Desenvolvimento de uma estratégia de roteamento que permite o uso de hardware quântico atual em cenários de produção financeira. O sistema mantém a latência competitiva, ativando o modelo quântico apenas para casos onde ele oferece vantagem, preservando a velocidade do XGBoost para a maioria das transações.

4. Resultados Experimentais

Os testes foram realizados em um conjunto de dados de cartões de crédito europeus (2013) usando validação cruzada estratificada (5 dobras, 3 repetições).

• Desempenho de Precisão (Precision): O modelo híbrido roteado superou o XGBoost isolado.
  • XGBoost: Precisão média de 0,081.
  • Modelo Híbrido (otimizado): Precisão média de 0,127 (com threshold de roteador 0,5).
  • Isso indica uma redução significativa em falsos positivos.
• Recall (Recuperação): Houve uma pequena redução no recall (de 0,934 para ~0,909), indicando que o modelo é mais conservador, rejeitando menos transações legítimas, mas capturando ligeiramente menos fraudes.
• Métricas Globais (AUPRC/AP): O modelo híbrido alcançou um Average Precision (AP) médio de 0,793 (vs. 0,770 do XGBoost) e um AUCPR mediano de 0,813 (vs. 0,797 do XGBoost).
• Impacto na Latência:
  • Um modelo puramente quântico para o conjunto de dados de teste (~14.000 pontos) levaria cerca de 12 horas para inferência.
  • Com o roteamento MoE, apenas 1% a 3% das transações foram enviadas ao hardware quântico.
  • O tempo de inferência adicional foi de apenas 7 a 21 minutos, tornando a solução viável para ambientes de produção.

5. Significância e Conclusão

O estudo demonstra que a integração de modelos quânticos em sistemas financeiros práticos é possível através de abordagens híbridas inteligentes.

• Viabilidade Operacional: O framework MoE resolve o gargalo de latência do hardware quântico atual, permitindo que instituições financeiras aproveitem a capacidade de generalização e separação de classes dos modelos quânticos sem sacrificar a velocidade de processamento.
• Trade-off Estratégico: O modelo oferece um benefício estratégico ao priorizar a redução de falsos positivos (que geram insatisfação do cliente e custos operacionais) em detrimento de uma leve redução na detecção de fraudes, um equilíbrio valioso no contexto bancário.
• Futuro: A abordagem sugere que, à medida que o hardware quântico amadurecer, a proporção de roteamento para o modelo quântico pode aumentar, potencialmente melhorando ainda mais a detecção de fraudes complexas.

Em suma, o trabalho valida que modelos quântico-clássicos, quando geridos por um roteador inteligente, podem superar os melhores métodos clássicos atuais em métricas críticas de fraude, mantendo-se compatíveis com as restrições de tempo real do setor financeiro.