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".
Summary- A new computer program using quantum technology is being tested in the financial industry to help with safe payments.
- This program uses special IBM computers and software called Qiskit to do its work.
- Scientists are comparing how well this new program works compared to other ways of analyzing payment data.
- They are also looking at a different way to find the most important parts of the data using quantum technology.
- By using specific measures like Accuracy, Recall, and False Positive Rate, they can see how good the new program is at detecting fraud.
Definitions1. Algorithm: A set of instructions or rules that a computer follows to solve a problem or complete a task.
- Quantum: Related to quantum physics, which studies very small particles and their behavior.
- Machine Learning: The process where computers learn from data and improve their performance without being explicitly programmed.
- Fraud: Dishonest behavior meant to deceive others for personal gain.
- Precision: How close a measured value is to the actual value.
- Recall: The ability of a system to correctly identify relevant information in data.
- Quantum Support Vector Machine (QSVM): A type of algorithm used in quantum computing for classification tasks.
TRANSLATION IN FRENCHRésumé - Un nouveau programme informatique utilisant la technologie quantique est testé dans l'industrie financière pour aider aux paiements sécurisés.
- Ce programme utilise des ordinateurs spéciaux d'
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. L'étude, menée par Michele Grossi, Noelle Ibrahim, Voica Radescu, Robert Loredo, Kirsten Voigt, Constantin Von Altrock et Andreas Rudnik, a été publiée dans le journal IEEE Transactions on Quantum Engineering sous le titre "Méthode Mixte Quantique-Classique Pour La Détection De Fraude Avec Sélection De Fonctionnalités Quantiques" avec le DOI 10.1109/TQE.2022.3213474.
L'utilisation de l'informatique quantique pour résoudre des problèmes complexes est un domaine en pleine expansion et cette étude montre comment elle peut être appliquée à l'industrie des paiements financiers. Les auteurs ont utilisé les ordinateurs quantiques IBM ainsi que la pile logicielle Qiskit pour mettre en œuvre leur algorithme QSVM.
Le but principal de cette recherche était d'évaluer l'efficacité du QSVM par rapport aux approches classiques dans la détection de fraudes liées aux paiements par carte. Pour cela, ils ont comparé leurs résultats avec ceux obtenus grâce à des méthodes basées sur l'expertise humaine (décisions règles), les algorithmes classiques d'apprentissage automatique tels que Random Forest et XGBoost ainsi qu'avec d'autres algorithmes basés sur le quantum utilisant QSVM.
Une nouvelle méthode de recherche des meilleures fonctionnalités a également été explorée en utilisant les caractéristiques de la carte des fonctionnalités du Quantum Support Vector Machine. Les résultats ont été évalués en utilisant des indicateurs clés spécifiques à la fraude tels que la précision, le rappel et le taux de faux positifs.
Les auteurs ont également étudié une approche hybride classique-quantique en combinant des algorithmes classiques et quantiques pour améliorer la décision de prévention de la fraude. Ils ont constaté que les résultats dépendent fortement des sélections de fonctionnalités et des algorithmes utilisés pour les sélectionner.
L'étude a montré que le QSVM offre une exploration complémentaire de l'espace des fonctionnalités qui a conduit à une amélioration de la précision dans la détection de fraudes lorsqu'il est combiné avec d'autres méthodes classiques. Cependant, cela dépend également du matériel quantique disponible car l'ensemble de données a dû être considérablement réduit pour s'adapter à l'état actuel du matériel.
En conclusion, cette recherche montre comment l'utilisation d'un algorithme QSVM peut apporter un complément efficace aux méthodes traditionnelles dans la détection de fraudes liées aux paiements financiers. Cela ouvre également la voie à d'autres applications potentielles dans ce domaine ainsi que dans d'autres industries où il est crucial d'avoir une bonne prévention contre les fraudes.
This paper presents a first end-to-end application of a Quantum Support Vector Machine (QSVM) algorithm for a classification problem in the financial payment industry using the IBM Safer Payments and IBM Quantum Computers via the Qiskit software stack. Based on real card payment data, a thorough comparison is performed to assess the complementary impact brought in by the current state-of-the-art Quantum Machine Learning algorithms with respect to the Classical Approach. A new method to search for best features is explored using the Quantum Support Vector Machine's feature map characteristics. The results are compared using fraud specific key performance indicators: Accuracy, Recall, and False Positive Rate, extracted from analyses based on human expertise (rule decisions), classical machine learning algorithms (Random Forest, XGBoost) and quantum based machine learning algorithms using QSVM. In addition, a hybrid classical-quantum approach is explored by using an ensemble model that combines classical and quantum algorithms to better improve the fraud prevention decision. We found, as expected, that the results highly depend on feature selections and algorithms that are used to select them. The QSVM provides a complementary exploration of the feature space which led to an improved accuracy of the mixed quantum-classical method for fraud detection, on a drastically reduced data set to fit current state of Quantum Hardware.
