该研究介绍了量子联邦神经网络金融欺诈检测（QFNN-FFD）的创新框架，将量子机器学习（QML）和量子计算与联邦学习（FL）相结合，创新金融欺诈检测。通过利用量子技术的计算能力和联邦学习的数据隐私，QFNN-FFD 提供了一种安全高效的识别欺诈交易的方法。在分布式客户端上实现双阶段训练模型超越了现有方法的性能。QFNN-FFD 显著改进了欺诈检测并确保了数据保密性，标志着金融科技解决方案的重大进展，并为注重隐私的欺诈检测建立了新的标准。

Apr, 2024

本研究提出了在量子计算机上实现图神经网络（GNNs）的框架，以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战，通过制定与三种经典 GNNs 对应的量子算法：图卷积网络（Graph Convolutional Networks）、图注意力网络（Graph Attention Networks）和消息传递 GNNs（Message-Passing GNNs）。我们对简化的图卷积（SGC）网络的量子实现进行了复杂性分析，结果显示与经典方法相比，我们的量子 SGC 在时间和空间复杂度上具有潜在的优势，能够高效处理大规模图，这为在量子计算机上实现更先进的图神经网络模型铺平了道路，为用于分析图结构数据的量子机器学习开拓了新的可能性。

May, 2024

这篇论文介绍了一种新的变分量子电路模型 —— 量子完全图神经网络（QCGNN），用于学习完全图，并通过与经典图神经网络的比较分析建立了一个基准。

Mar, 2024

对四个量子机器学习模型在金融欺诈检测中进行了比较研究，证明量子支持向量分类器模型在欺诈和非欺诈类别上取得了最高性能，F1 分数达到了 0.98。其他模型如变分量子分类器、估计量子神经网络（QNN）和采样器 QNN 展示了有前景的结果，推动了量子机器学习在金融应用中的潜力。虽然它们存在一定的限制，但所得到的见解为未来的改进和优化策略铺平了道路。然而，现存的挑战包括需求更高效的量子算法和更大更复杂的数据集。本文提供了克服当前限制的解决方案，并为量子机器学习在欺诈检测领域做出了新的贡献，对其未来发展具有重要意义。

Aug, 2023

本文提出基于量子参数电路的新型量子图卷积神经网络（QGCN）模型，利用量子系统的计算能力实现传统机器学习中的图分类任务，并在图数据集上呈现了良好的性能。

Jul, 2021

该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是 RGCN 模型在整体指标上表现最好。

Mar, 2022

本文介绍了一种名为 CaT-GNN 的新型信用卡欺诈检测方法，该方法利用因果不变性学习揭示了交易数据中的内在相关性，并通过发现和干预阶段将问题分解，通过识别事务图中的因果节点并应用因果混合策略来提高模型的鲁棒性和可解释性。实验结果表明，CaT-GNN 在多个数据集上表现出超过现有最先进方法的优越性能，突显了将因果推理与图神经网络相结合以提高金融交易中的欺诈检测能力的潜力。

Feb, 2024

欺诈检测在发现欺诈者通过欺骗其他用户，例如发布虚假评论或进行异常交易的行为上有着重要作用。我们采用图神经网络和动态关系注意力聚合机制来解决这个问题，并在真实基准数据集上展示了我们的方法 DRAG 优于其他最先进的欺诈检测方法。

Oct, 2023

本文提出了一种基于自适应采样和聚合的图神经网络 (ASA-GNN)，通过邻居采样策略和邻居多样性度量，在交易数据中学习判别表示以提高欺诈检测的性能，实验结果表明该方法优于现有的其他方法。

Jul, 2023

利用数据驱动技术的材料设计过程中，我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美，为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。

May, 2024