# Mixed Quantum-Classical Method For Fraud Detection with Quantum Feature Selection

**Authors:** Michele Grossi, Noelle Ibrahim, Voica Radescu, Robert Loredo, Kirsten Voigt, Constantin Von Altrock, Andreas Rudnik  
**arXiv:** [2208.07963](https://arxiv.org/abs/2208.07963)  
**Date:** 2022-08-16  
**Summary page:** https://www.summarizepaper.com/fr/arxiv-id/2208.07963v1/

## Key points

- Première application complète d'un algorithme de Machine à Vecteurs de Support Quantique (QSVM) dans l'industrie des paiements financiers
- Utilisation des IBM Safer Payments et ordinateurs quantiques IBM via Qiskit
- Comparaison entre les algorithmes actuels de Machine Learning quantique et l'Approche Classique pour la classification des données de paiement par carte
- Exploration d'une nouvelle méthode de recherche des meilleures fonctionnalités avec le Quantum Support Vector Machine
- Comparaison des résultats en utilisant des indicateurs clés spécifiques à la fraude : Précision, Rappel, Taux de Faux Positifs
- Exploration d'une approche hybride classique-quantique pour améliorer la prévention de la fraude
- Amélioration de la précision de la détection de fraude grâce au QSVM sur un ensemble de données réduit pour s'adapter à l'état actuel du matériel quantique

## Summary

Ce document présente une première application complète d'un algorithme de Machine à Vecteurs de Support Quantique (QSVM) pour un problème de classification dans l'industrie des paiements financiers en utilisant les IBM Safer Payments et les ordinateurs quantiques IBM via la pile logicielle Qiskit. Basé sur des données réelles de paiement par carte, une comparaison approfondie est effectuée pour évaluer l'impact complémentaire apporté par les algorithmes actuels de Machine Learning quantique par rapport à l'Approche Classique. Une nouvelle méthode de recherche des meilleures fonctionnalités est explorée en utilisant les caractéristiques de la carte des fonctionnalités du Quantum Support Vector Machine. Les résultats sont comparés en utilisant des indicateurs clés spécifiques à la fraude : Précision, Rappel et Taux de Faux Positifs, extraits d'analyses basées sur l'expertise humaine (décisions règles), les algorithmes classiques d'apprentissage automatique (Random Forest, XGBoost) et les algorithmes d'apprentissage automatique basés sur le quantum utilisant QSVM. De plus, une approche hybride classique-quantique est explorée en utilisant un modèle ensemble qui combine des algorithmes classiques et quantiques pour améliorer la décision de prévention de la fraude. Nous avons constaté, comme prévu, que les résultats dépendent fortement des sélections de fonctionnalités et des algorithmes utilisés pour les sélectionner. Le QSVM offre une exploration complémentaire de l'espace des fonctionnalités qui a conduit à une amélioration de la précision de la méthode mixte quantique-classique pour la détection de fraude, sur un ensemble de données considérablement réduit pour s'adapter à l'état actuel du matériel quantique. Les auteurs impliqués dans cette étude sont Michele Grossi, Noelle Ibrahim, Voica Radescu, Robert Loredo, Kirsten Voigt, Constantin Von Altrock et Andreas Rudnik. Le titre complet du document est "Méthode Mixte Quantique-Classique Pour La Détection De Fraude Avec Sélection De Fonctionnalités Quantiques". Cette recherche a été publiée dans le journal IEEE Transactions on Quantum Engineering sous le DOI 10.1109/TQE.2022.3213474. L'article comprend 11 pages avec 12 figures et 9 tableaux et se situe dans les catégories thématiques "quant-ph" et "cs.LG".