Modelos Híbridos Quântico-Clássicos para Detecção de Fraudes: Explorando a Complementaridade com Mixture-of-Experts

Resumo

A detecção de fraudes em transações financeiras apresenta desafios particulares, como forte desbalanceamento entre as classes, evolução contínua dos padrões de fraude e requisitos extremamente rigorosos de latência. Nesta palestra, apresentarei uma abordagem híbrida quântico-clássica baseada em uma arquitetura de Mixture-of-Experts, na qual um modelo de machine learning clássico e um modelo quântico são utilizados de forma complementar. A arquitetura combina um Guided Quantum Compressor, um circuito quântico variacional e uma rede neural clássica, utilizando um mecanismo de roteamento para selecionar os casos em que o modelo quântico pode contribuir para a classificação. Serão discutidos o desenho da arquitetura, os experimentos realizados com dados de fraude de cartões, os resultados obtidos e os principais desafios para a aplicação prática de QML em ambientes financeiros. A palestra também abordará questões como latência, calibração de probabilidades e complementaridade entre modelos quânticos e clássicos.

Breve Currículo

Bruno Chagas é Lead Data Scientist na Mastercard, em Dublin, atuando em pesquisa e desenvolvimento de soluções de Quantum Computing e Quantum Machine Learning aplicadas a problemas do setor financeiro. Seu trabalho envolve modelos híbridos quântico-clássicos, otimização, detecção de fraudes, machine learning e aplicações de computação quântica em sistemas de pagamentos. É coautor de trabalhos de pesquisa na área de Quantum Machine Learning e possui experiência no desenvolvimento de soluções quânticas em colaboração com equipes acadêmicas e na indústria.