混合量子神经网络在金融欺诈检测中的参数效率优势实证研究

本文针对混合量子神经网络（HQNN）在金融欺诈检测场景下的参数效率与预测性能展开系统性基准测试，对比量子混合架构与经典深度学习模型的表现。核心发现为：在NISQ时代，量子混合模型（如单层混合神经网络SHNN）以远少于经典模型的参数量达到可比拟的性能，展现显著参数效率优势，为资源受限场景提供新方向。

量子机器学习（QML）受NISQ时代硬件限制（比特数、相干时间），模型规模难与经典深度学习匹敌。核心问题：量子模型能否以更少参数达到可比性能？此问题对金融欺诈检测至关重要——数据极度不平衡（欺诈占比0.17%），且要求模型可解释性与部署效率。

选用Kaggle信用卡欺诈数据集（284,807笔交易，492笔欺诈），特征含28个PCA匿名成分、金额与时间。实验采用5折分层交叉验证，每折训练集独立应用SMOTE处理类别不平衡；量子模型输入经RobustScaler标准化→PCA降维至8维→MinMax缩放至[0,π]适应角度编码。

对比7种模型：

• 量子混合模型：SHNN（122参数，输入→经典线性层→变分量子电路→输出层）；并行混合（489参数，经典MLP+量子分支拼接）。
• 经典基线：SNN（3201参数）、TabNet（6176）、ResNet（8897）、FT-Transformer（14869）、SAINT（29357）。

关键发现：

1. 参数效率优势：SHNN（122参数）MCC（0.576）与SNN（3201参数）相当，参数量仅1/26；MCC/kParam是SNN的27倍。
2. 性能权衡：经典大模型（ResNet等）绝对MCC更高（0.69-0.70），但参数量为SHNN的73-240倍，参数效率低60-197倍。
3. 消融验证：移除变分量子电路（VQC）后模型性能降至随机水平，证明VQC提供100%预测信号。

• 类别不平衡：每折内部应用SMOTE避免数据泄露；
• 异常值：用RobustScaler处理金额字段；
• 量子比特限制：PCA降维至8维匹配硬件；
• 梯度计算：采用伴随微分法提升效率；
• 贫瘠高原：限制电路深度（2层）+早停策略缓解。

核心论点：NISQ时代QML优势在于参数效率（少参数达可比性能），对资源受限场景（边缘设备）价值显著。 启示：

1. 模型选择需考虑效率、速度与可解释性；
2. QML已进入可实证阶段；
3. 混合架构是近期QML应用的关键方向。

局限性：仅在模拟器完成实验、单一数据集、超参数未完全优化。 未来方向：真实量子硬件验证、扩展至更多数据集（医疗/工业）、探索更深量子-经典架构、研究联邦学习场景应用。