Logo
Schrodinger's KnightsQuantum Computing cho Tài chính - AI-Quantum Challenge 2026
AI-Quantum Challenge 2026

Khám phá học máy lượng tử trong phát hiện gian lận

So sánh kernel lượng tử và kernel cổ điển trên dữ liệu giao dịch thẻ tín dụng. Theo dõi kết quả thực nghiệm qua 5-fold với cấu hình cân bằng dữ liệu RUS 1:1.

Schrodinger's Knights · Quantum AI Lab

Thiết kế thực nghiệm

Từ giao dịch đến đánh giá

  1. 01Dữ liệu giao dịch

    Đặc trưng ẩn danh · nhãn hợp lệ / gian lận

  2. 02Huấn luyện & so sánh

    Kernel cổ điển · kernel lượng tử

  3. 03Đánh giá qua 5 fold

    Accuracy · Precision · Recall · F1

Cùng bài toán, nhiều cách tiếp cận. Khám phá hiệu quả của từng mô hình qua các chỉ số thực nghiệm.

Dữ liệu thực tế

Credit Card Fraud Detection

Đánh giá 5-fold

Quan sát độ ổn định của mô hình

Cân bằng RUS 1:1

Giao dịch hợp lệ và gian lận

Dữ liệu & phương pháp

Credit Card Fraud Detection

Nhận diện những giao dịch bất thường giữa hàng trăm nghìn giao dịch thẻ. Bộ dữ liệu ghi nhận hoạt động của chủ thẻ tại châu Âu, là nền tảng cho các thí nghiệm phát hiện gian lận của nhóm.

Dataset trên Kaggle

Giao dịch gốc

284.807

Trong 2 ngày, tháng 09/2013

Giao dịch gian lận

492

Nhãn Class = 1

Tỷ lệ gian lận

0,172%

Dữ liệu gốc mất cân bằng mạnh

Đặc trưng đầu vào

30

V1–V28, Time và Amount

Bên trong một giao dịch

30 biến đầu vào và 1 nhãn đích. Các đặc trưng nhạy cảm đã được ẩn danh.
V1–V28
28 thành phần chính được biến đổi bằng PCA để bảo mật thông tin gốc.
Time
Số giây kể từ giao dịch đầu tiên trong bộ dữ liệu.
Amount
Giá trị giao dịch; cùng Time là hai biến chưa được biến đổi PCA.
Class
Nhãn mục tiêu: 0 là hợp lệ, 1 là gian lận.

Nguồn: ULB Machine Learning Group · Kaggle. Các thống kê phía trên mô tả dataset gốc, trước khi lấy mẫu.

5-foldrus_1_1

Đánh giá qua 5 lượt chia dữ liệu

Mỗi lượt dùng 4 phần để huấn luyện và 1 phần để kiểm tra. Phần kiểm tra được luân phiên qua cả 5 lượt.
Lượt 1 / 5Chia dữ liệu: khoảng 80% / 20%
Dữ liệu đang sử dụng sau RUS 1:1

Tập huấn luyện

786 mẫu

393 hợp lệ · 393 gian lận

Tập kiểm tra

198 mẫu

99 hợp lệ · 99 gian lận

Số mẫu của từng fold tương ứng phiên bản rus_1_1 đầy đủ, chưa tính subset. Tổng hợp kết quả qua 5 fold giúp quan sát mức độ ổn định giữa các lượt chia.

Random Under-Sampling

Từ mất cân bằng đến tỷ lệ 1:1

RUS chọn ngẫu nhiên một phần giao dịch hợp lệ của lớp đa số để có số mẫu bằng với lớp gian lận. Cấu hình rus_1_1 tạo tỷ lệ hợp lệ : gian lận là 1:1, giảm số mẫu huấn luyện nhưng cũng loại bỏ một phần thông tin của lớp đa số.

Dataset gốc284.315 hợp lệ / 492 gian lận
Sau RUS 1:150% hợp lệ / 50% gian lận
Hợp lệ · Class 0 Gian lận · Class 1
Đánh giá hiệu suất mô hình
So sánh hiệu suất phân loại giữa các mô hình kernel cổ điển và lượng tử thông qua các chỉ số Accuracy, Precision, Recall và F1-score.
Kernel
Accuracy
Precision
Recall
F1
Linear Kernel
0.9380 ± 0.01620.9413 ± 0.01440.9380 ± 0.01620.9379 ± 0.0163
RBF Kernel
0.9380 ± 0.01300.9391 ± 0.01270.9380 ± 0.01300.9380 ± 0.0131
Quantum ZZ Custom Kernel
0.9319 ± 0.01270.9333 ± 0.01320.9319 ± 0.01270.9318 ± 0.0127
Quantum Custom Kernel
0.9411 ± 0.00870.9451 ± 0.00900.9411 ± 0.00870.9410 ± 0.0087
Tuna 17 Quantum ZZ Custom Kernel
0.9300 ± 0.04000.9342 ± 0.03840.9300 ± 0.04000.9298 ± 0.0401
So sánh hiệu suất các mô hình
Đối chiếu hiệu quả của từng kernel thông qua các thước đo đánh giá.
Khám phá dữ liệu giao dịch
Quan sát cấu trúc, đặc trưng và nhãn phân loại của tập dữ liệu Credit Card Fraud, với khả năng tùy chọn Fold, tập huấn luyện hoặc kiểm thử và phạm vi dữ liệu.
Time
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
V11
V12
V13
V14
V15
V16
V17
V18
V19
V20
V21
V22
V23
V24
V25
V26
V27
V28
Amount
Class
Hoạt động
No results.

Số hàng mỗi trang

Trang 1 / 0

Thành viên nhóm

Schrodinger's Knights — AI-Quantum Challenge 2026

PT
Đồng Phú Trọng
Trưởng nhóm

Đại Học Bách Khoa Hà Nội

Điện tử - Viễn Thông

ĐL
Đỗ Đức Long
Thành viên

Đại Học Quốc Gia Hà Nội

Công nghệ thông tin

ĐA
Nguyễn Đình Đức Anh
Thành viên

Đại Học Bách Khoa Hà Nội

Khoa học dữ liệu và Trí tuệ nhân tạo

PK
Nguyễn Tiến Phú Khang
Thành viên

Đại Học Bách Khoa Hà Nội

Kĩ thuật máy tính

TG
Vũ Trường Giang
Người hướng dẫn

Đại Học Phenikaa

Khoa học máy tính