본 연구는 신용등급 하락 예측을 위한 양자 기반 기계 학습 솔루션을 제안한다. 이 솔루션은 QBoost 알고리즘을 기반으로 하며, 중성 원자 양자 플랫폼에서 테스트되었고 금융 산업에서 널리 사용되는 Random Forest 모델과 벤치마크되었다.
제안된 분류기는 중성 원자 양자 프로세서에서 학습되었으며, 약 83%의 recall에 대해 27.9%의 정밀도를 달성했다. 이는 Random Forest의 28% 정밀도와 경쟁력 있는 성과이다. 또한 제안된 접근 방식은 해석 가능성 면에서 Random Forest보다 우수하며, 50개의 학습기만을 사용했지만 실행 시간은 유사했다.
제안된 양자 분류기의 두 가지 변형이 구현되었다. 첫 번째는 하위 샘플링 기반으로, 중성 원자 양자 프로세서에서 최대 60큐비트까지 구현되었다. 두 번째는 부스팅 기반으로, 텐서 네트워크 최적화기를 사용하여 최대 90큐비트까지 구현되었다. 부스팅 기반 모델은 이미 Random Forest 성능을 능가하는 수준의 정밀도를 보였다.
향후 중성 원자 양자 하드웨어의 발전으로 더 많은 큐비트를 활용할 수 있게 되면, 제안된 양자 분류기가 Random Forest 벤치마크를 능가할 것으로 기대된다.
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Luca... lúc arxiv.org 04-04-2024
https://arxiv.org/pdf/2212.03223.pdfYêu cầu sâu hơn