1. 项目概述量子机器学习如何革新金融欺诈检测金融欺诈尤其是信用卡欺诈已经演变成一个全球性的、日益复杂的系统性风险。传统的机器学习方法如随机森林、梯度提升机乃至深度学习模型虽然在过去十年里取得了显著成效但面对如今海量、高维、极度不平衡且欺诈模式快速演变的交易数据流其瓶颈也愈发明显。计算复杂度、特征交互的局限性以及对实时性的苛刻要求都在呼唤新的技术范式。正是在这个背景下量子机器学习Quantum Machine Learning, QML从理论物理的殿堂走向了金融科技的实战前线。量子机器学习并非要完全取代经典算法而是提供一种全新的计算视角和工具集。其核心价值在于利用量子力学的两大基石——叠加Superposition和纠缠Entanglement。简单来说一个量子比特Qubit可以同时处于 |0⟩ 和 |1⟩ 的叠加态这意味着 N 个量子比特可以同时表示 2^N 种状态提供了天然的并行计算能力。而纠缠则使得多个量子比特的状态紧密关联即使它们在空间上分离改变其中一个会瞬间影响另一个这种强关联性非常适合捕捉数据特征之间复杂的非线性关系。在欺诈检测场景中一笔交易的特征如时间、地点、金额、商户类型不再是孤立的数值通过量子特征映射Feature Map被编码为一个多维量子态。随后一个参数化的量子电路即Ansatz对这个态进行“搅拌”和演化其参数通过经典优化器如COBYLA不断调整最终通过测量得到分类结果欺诈/正常。这个过程本质上是在一个指数级庞大的希尔伯特空间中寻找最优的分类边界。本文旨在深入探讨的正是这个过程中的核心工程问题面对具体的金融欺诈数据集如何选择和配置量子机器学习模型的不同组件才能达到最佳的性能我们将基于一项前沿研究系统性地拆解三种主流QML架构——变分量子分类器VQC、采样器量子神经网络SQNN和估计器量子神经网络EQNN并结合Pauli、ZZ、Z三种特征映射以及RealAmplitudes、EfficientSU2等四种量子电路设计在真实的银行模拟BankSim和欧洲信用卡交易数据集上进行全面的性能对比分析。无论你是对量子计算感兴趣的数据科学家还是寻求风控技术突破的金融科技从业者这篇文章都将为你提供从理论认知到实践评估的完整路线图。2. 核心架构解析量子机器学习模型的三大支柱要理解不同QML模型的性能差异首先必须深入其内部构造。一个典型的量子机器学习模型可以抽象为三个核心阶段数据编码特征映射、量子态演化Ansatz以及测量与优化。这三个部分的不同设计与组合直接决定了模型处理特定任务的能力上限。2.1 量子特征映射将经典数据“翻译”成量子语言特征映射是整个流程的起点其任务是将经典的、数值化的特征向量 x 映射到一个高维的量子态 |ψ(x)⟩。你可以把它想象成一种特殊的“翻译器”把我们的数据“说”成量子计算机能理解的语言。不同的“翻译规则”即映射函数会极大地影响后续量子电路能表达的信息复杂度。2.1.1 Pauli特征映射构建高阶特征交互Pauli特征映射是一种基于泡利算子Pauli OperatorsI, X, Y, Z展开的通用编码方式。其数学表达如公式(1)所示它通过指数映射将数据特征编码为旋转门的角度。关键在于它不仅对单个量子比特进行旋转对应一阶项还通过泡利算子的张量积如 Z⊗Z, X⊗Y⊗Z 等引入了不同量子比特之间的关联即纠缠。这种纠缠对应着对原始特征的高阶组合如 x_i * x_j的编码能力。实操心得在实际使用Qiskit等框架时PauliFeatureMap的entanglement参数如‘full’,‘linear’,‘circular’决定了哪些量子比特之间建立纠缠连接。对于金融数据中可能存在复杂交叉特征例如“深夜”“高额”“境外商户”的组合风险剧增的场景使用‘full’全连接通常能获得更强的表达能力但也会显著增加电路深度和训练难度。我的经验是对于初始探索可以从‘linear’线性邻接开始它是一个在表达能力和电路复杂度之间不错的折衷。2.1.2 ZZ特征映射专注于两两关联ZZ特征映射是Pauli特征映射的一个特例它只使用Z和Z⊗Z即ZZ算子。其电路通常以一层哈达玛门H开始将所有量子比特置于叠加态然后应用由数据控制的Z旋转门最后通过受控非门CNOT等纠缠门建立两两之间的关联。ZZ映射可以看作是对数据二阶关联两两特征乘积的显式编码。公式(4)展示了一种常见的角度映射函数 φ(x)它通过连乘 (π - x_i) 来生成旋转角度这种非线性变换有助于将数据投射到更易区分的量子态空间中。2.1.3 Z特征映射轻量化的单比特编码Z特征映射则更为简单它仅使用Z算子不引入任何纠缠门。这意味着每个量子比特的编码是独立的电路深度最浅计算资源消耗最低。它的优势在于速度快、噪声影响小特别适合在目前嘈杂的中尺度量子NISQ设备上运行或者作为性能基线。但其缺点也很明显由于缺乏纠缠它无法捕捉特征之间的任何关联信息表达能力有限。注意事项选择特征映射时必须权衡“表达力”和“可训练性”。表达力过强如深层、全纠缠的Pauli映射的电路可能面临“贫瘠高原”Barren Plateaus问题即损失函数的梯度在参数空间中几乎处处为零导致经典优化器无法找到下降方向。对于金融欺诈这种特征可能高度相关的问题从ZZ映射开始尝试通常是更稳妥的策略。2.2 参数化量子电路可训练的“量子大脑”特征映射将数据固定地编码为量子态后接下来就需要一个可调节的量子电路来对这个态进行变换和学习这就是Ansatz也称为参数化量子电路。它由一系列带参数 θ 的量子门如旋转门 RX(θ), RY(θ), RZ(θ)和固定的纠缠门如CNOT构成。通过优化这些参数 θ我们让量子态朝着有利于正确分类的方向演化。2.2.1 RealAmplitudes实数振幅专用电路如其名RealAmplitudes结构设计的初衷是产生仅具有实数量子振幅的态即波函数没有虚部。它通常由交替的纠缠层CNOT门和单比特旋转层RY门构成。这种结构对于许多需要实数解的组合优化问题或特定类型的量子态制备非常高效。在分类任务中如果数据经过预处理后主要包含实数特征且问题本身对称性较高RealAmplitudes可能是一个简洁有效的选择。2.2.2 EfficientSU2通用性强的标准选择EfficientSU2是Qiskit中一个非常常用的通用Ansatz。它在每个量子比特上依次施加由参数控制的RX、RY、RZ旋转门覆盖了SU(2)群即所有可能的单比特操作然后再加上一层纠缠。这种结构非常灵活理论上可以通过调整参数来逼近任何单比特操作因此表达能力强。对于没有先验知识的问题EfficientSU2通常是一个不错的起点。2.2.3 TwoLocal高度可定制的模块化设计TwoLocal提供了更大的灵活性允许用户自定义“旋转层”和纠缠层”中使用的具体量子门类型和排列方式。例如你可以指定旋转层使用[‘ry’, ‘rz’]纠缠层使用‘cx’CNOT并以‘circular’方式连接。这种设计使其能够针对特定问题的已知结构进行定制例如模仿某些物理系统的相互作用。2.2.4 PauliTwoDesign面向随机电路与抗噪PauliTwoDesign的结构更复杂一些它以一层固定的Ry(π/4)门开始然后交替使用随机选择的泡利旋转门X, Y, Z中随机选和纠缠门通常是CZ门。这种设计受到“量子电路复杂度”和“抗噪”研究的启发有时在噪声环境下或需要特定随机性的场景中表现更好但其训练行为可能更难以预测。核心考量Ansatz的设计直接影响模型的“表达能力”和“训练难度”。一个过于简单的Ansatz可能无法拟合复杂的数据模式欠拟合而一个过于复杂、参数过多的Ansatz不仅会增加计算开销更容易陷入局部最优或遭遇贫瘠高原过拟合/难训练。在金融欺诈检测中由于欺诈模式隐蔽且多变通常需要中等表达能力的Ansatz。从我们的实验经验看EfficientSU2和TwoLocal在多数场景下提供了较好的平衡点。2.3 三大QML模型架构对比理解了特征映射和Ansatz这两个基础组件后我们再来审视本次研究的三个主角VQC、SQNN和EQNN。它们的核心区别在于如何利用量子计算的结果。2.3.1 变分量子分类器端到端的量子优化VQC是最经典、最直接的量子-经典混合模型。其工作流程非常清晰经典数据 - 特征映射编码- Ansatz参数化演化- 量子测量 - 得到预测值 - 计算损失 - 经典优化器更新Ansatz参数 - 循环。整个过程形成一个闭环所有可训练参数即Ansatz的参数 θ都通过经典的梯度下降或直接搜索方法进行优化以最小化交叉熵等损失函数。VQC的优点是概念直观整个模型在量子层面具有一致性。但其量子电路的深度直接受限于当前量子硬件的相干时间且所有计算包括梯度估计都需要在量子处理器或模拟器上完成成本较高。2.3.2 估计器量子神经网络量子特征提取器EQNN采取了不同的策略。它将量子电路视为一个强大的“量子特征提取器”。流程如下经典数据 - 特征映射 - Ansatz - 量子测量。但这里的关键是测量得到的并不是最终的分类标签而是一组新的“量子特征”。这组特征随后被送入一个经典的全连接神经网络中进行最终分类。因此EQNN需要联合优化两套参数量子电路Ansatz的参数 θ以及经典神经网络的权重 W 和偏置 b。这种结构的优势在于经典神经网络可以学习如何更好地利用量子部分提取出的可能是高维、非线性的特征提供了额外的建模灵活性。然而其训练也更复杂需要协调两种不同性质的优化过程。2.3.3 采样器量子神经网络基于概率采样的推理SQNN的运作机制最为独特。它同样使用量子电路处理数据但其输出不是一个确定的期望值或特征向量而是从量子态对应的概率分布中采样出的一组样本。一个量子采样器Quantum Sampler会多次运行电路每次“坍缩”到一个确定的基态如 |0101⟩从而得到一组符合该量子态概率分布的比特串。这些采样得到的比特串样本再通过经典的后处理算法例如寻找出现频率最高的模式或将其输入一个轻量级经典模型来得出最终预测。SQNN的思想是对于一些复杂问题直接获取精确的期望值计算量很大而采样可能是一种更高效的近似推理方式。但其性能严重依赖于采样效率和后续经典处理算法的有效性。下表总结了三种模型的核心区别特性变分量子分类器 (VQC)估计器量子神经网络 (EQNN)采样器量子神经网络 (SQNN)核心思想端到端的量子参数优化量子电路作为特征提取器量子电路作为概率分布采样器输出直接为分类期望值如 量子测量值作为特征向量从量子态概率分布中采样的比特串经典部分角色优化器更新量子参数神经网络处理量子特征后处理算法解析采样结果训练参数Ansatz参数 θAnsatz参数 θ 神经网络权重(W,b)Ansatz参数 θ 可能还有后处理参数优势概念清晰量子部分自洽结合经典NN的强拟合能力更灵活对某些问题采样可能比精确计算更快潜在挑战容易遇到贫瘠高原电路深度受限量子-经典联合优化难度大采样噪声大需要大量shots后处理设计复杂3. 实验设计与实操从数据准备到模型评估理论再优美也需要在真实数据上验证。本部分将详细还原从数据准备、特征工程、模型配置到训练评估的完整实验流程并穿插关键的实操要点和避坑指南。3.1 数据集深度处理与特征洞察研究使用了两个具有代表性的金融欺诈数据集它们的特点截然不同这有助于检验模型的泛化能力。3.1.1 BankSim数据集仿真的商户-客户网络数据BankSim是一个基于智能体模拟生成的合成数据集它通过统计和社会网络分析模拟了商户与客户之间的交易关系因此数据间存在复杂的网络关联特性。原始数据包含近60万条记录欺诈比例约为1.2%。字段包括模拟时间步Step、客户ID、商户ID、金额、类别、年龄分段、性别等。关键预处理步骤类别特征编码Customer,Merchant,Category,Gender等类别变量使用标签编码Label Encoding或独热编码One-Hot Encoding转换为数值。这里需要注意对于ID类特征如Customer简单的标签编码可能引入无意义的序关系更好的做法是使用嵌入Embedding或考虑其出现频率但在初始实验中标签编码是可行的基线方法。无关特征剔除ZipCodeOrigin和ZipMerchant由于在仿真中缺乏实际变化可能数据生成机制导致被直接移除以避免引入噪声。数据平衡化原始数据极度不平衡欺诈仅占1.2%。我们采用了随机欠采样从多数类正常交易中随机抽取与少数类欺诈交易同等数量的样本构造了一个1:1的平衡数据集各492条。注意欠采样会损失大量正常样本的信息仅适用于探索性实验。在生产环境中应优先考虑过采样如SMOTE、代价敏感学习或集成方法。特征缩放所有数值特征使用MinMaxScaler缩放到 [0, 1] 区间。这对于基于旋转角度的量子编码至关重要因为角度通常被限制在 [0, 2π] 或类似范围。3.1.2 欧洲信用卡数据集PCA降维后的匿名数据这是一个经典的公开数据集包含28万条真实交易记录其中欺诈交易仅492笔0.172%。原始特征已通过PCA处理成28个主成分V1-V28并保留了“Time”和“Amount”两个原始特征。关键预处理步骤PCA特征选择原始28个PCA特征中并非所有都重要。通过分析特征重要性例如基于树模型我们选取了最重要的7个特征V1-V7进行实验。这既是为了降低问题规模以适应有限的量子比特数也是模拟真实场景中的特征筛选。处理“Time”特征“Time”表示该交易与数据集中第一笔交易之间的秒数。直接使用这个连续值可能不是最佳选择。常见的技巧是将其转换为一天中的“小时”或“是否在深夜”等周期性特征。在本实验中为简化我们对其进行了与“Amount”相同的归一化处理。同样的平衡与缩放同样应用随机欠采样得到平衡数据集并对所有特征进行归一化。实操心得特征相关性分析的重要性在投入量子模型训练前花时间进行特征相关性分析如图8图9和重要性排序如图10图11是极其重要的。例如在BankSim数据中“Category”交易类别与“Fraud”标签呈强负相关而“Amount”金额呈正相关这符合直觉某些类别的交易风险低高额交易风险高。这个分析不仅帮助我们理解数据更重要的是它指导我们如何设计量子特征映射。对于强相关的特征可以考虑在编码时让它们作用于纠缠的量子比特对上以利用量子纠缠来显式地建模这种相关性。3.2 量子模型配置与训练细节实验采用了严格的对照设置以确保结果可比性。3.2.1 核心配置参数量子比特数根据筛选后的特征数量分别测试了4、6、7个量子比特。这决定了量子电路的宽度。特征映射PauliFeatureMap, ZZFeatureMap, ZFeatureMap。其中Pauli和ZZ映射的重复次数reps测试了1和2以增加编码复杂度。AnsatzRealAmplitudes, EfficientSU2, TwoLocal, PauliTwoDesign。其重复次数同样测试了1和2。优化器主要使用COBYLA一种无梯度优化器同时对比了ADAM和梯度下降。COBYLA在量子优化中常用因为它不依赖于梯度计算量子梯度的估计本身有噪声和成本。最大迭代次数350次。这是一个经验值需要观察损失曲线是否已收敛。后端模拟器使用Qiskit的QasmSimulator带噪声模拟和StatevectorSimulator无噪声精确模拟进行对比以评估噪声影响。3.2.2 训练流程与代码要点以下是一个基于Qiskit构建VQC训练流程的简化示例import numpy as np from qiskit import QuantumCircuit from qiskit.circuit.library import ZZFeatureMap, RealAmplitudes from qiskit_machine_learning.algorithms import VQC from qiskit_algorithms.optimizers import COBYLA from qiskit.primitives import Sampler from sklearn.model_selection import train_test_split from sklearn.preprocessing import MinMaxScaler # 1. 数据准备 (以BankSim为例) # X, y 为经过预处理和平衡后的特征与标签 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) scaler MinMaxScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) # 2. 构建量子模型组件 num_qubits X_train_scaled.shape[1] # 特征数决定量子比特数 feature_map ZZFeatureMap(feature_dimensionnum_qubits, reps2, entanglementfull) ansatz RealAmplitudes(num_qubits, reps2) optimizer COBYLA(maxiter350) # 3. 实例化VQC # 注意Qiskit Machine Learning 版本更新可能改变API vqc VQC( samplerSampler(), # 使用Sampler基元 feature_mapfeature_map, ansatzansatz, optimizeroptimizer, losscross_entropy ) # 4. 训练模型 vqc.fit(X_train_scaled, y_train) # 5. 评估模型 train_score vqc.score(X_train_scaled, y_train) test_score vqc.score(X_test_scaled, y_test) print(fTraining Accuracy: {train_score:.3f}) print(fTesting Accuracy: {test_score:.3f}) # 更详细的评估 from sklearn.metrics import classification_report y_pred vqc.predict(X_test_scaled) print(classification_report(y_test, y_pred, target_names[Legit, Fraud]))注意事项量子比特数与特征数的匹配一个常见的误区是“一个特征对应一个量子比特”。虽然有时如此但量子特征映射可以将多个特征编码到一个量子比特上例如通过多个旋转门也可以将一个特征扩展到多个量子比特的纠缠态上。实验中我们让量子比特数等于筛选后的特征数4, 6, 7这是一种直接且资源可控的方式。如果特征数很多必须进行降维如PCA或特征选择因为目前可用的量子比特数非常有限。3.3 性能评估指标与结果分析在高度不平衡的欺诈检测任务中准确率Accuracy是一个具有误导性的指标。我们主要关注以下一组指标精确率在所有被模型预测为欺诈的交易中真正是欺诈的比例。高精确率意味着误报False Positive少减少了对好用户的打扰。召回率在所有真实的欺诈交易中被模型成功抓出的比例。高召回率意味着漏报False Negative少降低了损失风险。F1分数精确率和召回率的调和平均数是衡量模型在正类欺诈上综合性能的核心指标。损失函数曲线观察训练过程中损失值的变化可以判断模型是否收敛、训练是否稳定以及是否存在振荡或陷入平原。3.3.1 BankSim数据集上的表现根据论文中的结果对应其Table II, III, IV我们可以得出一些关键结论VQC表现稳健在多种配置下VQC都能取得不错的F1分数。最佳配置是PauliFeatureMap EfficientSU2或ZZFeatureMap EfficientSU2F1分数达到0.71左右。其损失曲线图12显示大多数配置能相对稳定地收敛尽管有些会出现振荡。这表明VQC的结构对于此类数据具有较好的适应性和可训练性。SQNN潜力突出SQNN取得了本次实验中的最高分PauliFeatureMap TwoLocal/RealAmplitudes组合的F1分数达到了0.84-0.85。其损失曲线图13也显示出有效的收敛。这说明对于BankSim这种模拟网络数据通过量子采样提取概率分布特征再经经典后处理可能是一种非常有效的策略。EQNN遭遇挑战EQNN的整体表现不佳最佳F1分数仅为0.59Pauli PauliTwoDesign而使用ZFeatureMap无纠缠时F1分数低至0.31。其损失曲线图14也显示收敛缓慢且最终损失值较高。这揭示了EQNN架构的难点量子特征提取器与经典神经网络的联合训练可能非常困难特别是当量子部分表达能力不足如使用Z映射时提取的特征质量差导致后续经典网络无法有效学习。3.3.2 欧洲信用卡数据集上的表现论文指出在欧洲数据集上VQC表现最佳F1分数高达0.88。这很可能是因为该数据集特征已经是PCA处理后的线性无关成分数据结构相对“干净”更适合VQC这种端到端的优化方式。而SQNN和EQNN的表现相对逊色。这强调了数据集本身的特性对QML模型选择有决定性影响。核心发现没有“银弹”模型。VQC像一个稳健的全能选手在不同数据集上表现相对稳定SQNN在具有复杂关联的数据如BankSim上可能爆发出惊人潜力但其性能对采样质量和后处理算法敏感EQNN理论上有结合两者优点的潜力但联合训练的复杂性使其在实践中难以调优对特征映射必须有纠缠的要求也更高。4. 关键影响因素与调优实战指南基于上述实验结果我们可以提炼出影响QML欺诈检测模型性能的几个最关键因素并给出具体的调优建议。4.1 特征映射与Ansatz的组合艺术选择不是孤立的特征映射和Ansatz需要协同考虑。“强编码强演化”组合PauliFeatureMap全纠缠配合EfficientSU2或深层的TwoLocal构成了表达力极强的组合。这种组合适合特征间存在复杂、高阶交互的数据集如BankSim中的商户-客户网络关系。但风险是电路过深容易导致梯度消失贫瘠高原和过拟合。“强编码简约演化”组合ZZFeatureMap二阶纠缠配合RealAmplitudes。ZZ映射提供了必要的特征关联编码而RealAmplitudes结构相对简单、参数少训练更稳定。这是在表达力和可训练性之间一个很好的折衷往往是初次实验的推荐起点。“简约编码强演化”组合ZFeatureMap无纠缠配合复杂的Ansatz。这种组合意义不大因为编码阶段已经丢失了特征关联信息后续再复杂的演化也难以找回。实验结果也证实使用Z映射的模型性能普遍很差。“简约编码简约演化”组合ZFeatureMap配合浅层RealAmplitudes。这是最轻量、最快的组合适合在真实NISQ硬件上做可行性验证或在数据线性可分性较强的简单任务中作为基线。调优建议从一个中等表达力的组合开始如ZZFeatureMap(reps1, entanglement‘linear’)EfficientSU2(reps1)。如果训练损失下降顺利但验证集性能不佳欠拟合可以尝试增加reps或改用PauliFeatureMap。如果训练损失剧烈振荡或根本不下降可能遇到贫瘠高原则应尝试简化电路减少reps、改用RealAmplitudes、或尝试TwoLocal并减少纠缠层数。4.2 应对量子噪声的鲁棒性策略当前的量子硬件充满噪声。论文中对最优模型进行了五种类型量子噪声的鲁棒性测试包括比特翻转、相位翻转、振幅阻尼等。结果显示表现最好的模型在噪声下性能虽有下降但仍保持了一定的竞争力。这为我们提供了重要启示选择噪声鲁棒性强的Ansatz某些Ansatz结构天生对噪声更不敏感。例如RealAmplitudes主要使用RY门和CNOT门相比大量使用T门等易错门的结构其在当前硬件上可能更稳定。PauliTwoDesign的设计也考虑了一定的抗噪性。利用错误缓解技术在训练和推理中可以采用零噪声外推、测量错误缓解等技术来部分抵消噪声影响。Qiskit Runtime等平台已内置了一些此类功能。电路编译优化将逻辑电路映射到真实硬件的拓扑结构上时不同的编译策略会影响最终的门数量和深度从而影响噪声累积。需要尝试不同的布局和路由算法。在模拟中引入噪声模型在模拟阶段就使用带噪声的模拟器如QasmSimulator配合NoiseModel进行训练和评估可以让模型在一定程度上“适应”噪声筛选出在噪声环境下更鲁棒的超参数组合。4.3 统计验证与超参数敏感性分析除了看F1分数论文还使用了方差分析ANOVA来统计验证不同因素模型类型、数据集、特征映射、Ansatz对性能影响的显著性。这是一种严谨的做法。在实际调优中我们也应该进行系统的超参数敏感性分析学习率/优化器参数对于使用梯度下降的优化器学习率至关重要。太大导致振荡太小导致收敛慢。Ansatz的重复次数reps参数是控制电路深度和表达力的关键旋钮。通常从1开始逐步增加观察验证集性能的变化找到拐点。纠缠模式‘linear’,‘circular’,‘full’等模式决定了量子比特之间的连接方式会影响信息传递效率和电路复杂度。测量方式是测量所有量子比特的Z期望值还是测量特定比特对于多分类或复杂输出测量策略需要精心设计。避坑指南如何监控和诊断训练过程始终绘制损失曲线这是判断训练是否健康的最直观工具。健康的曲线应平滑下降并逐渐趋于平稳。剧烈振荡可能意味着学习率太大或批处理大小不合适过早平坦可能陷入局部最优或贫瘠高原。跟踪验证集性能每训练一定轮次就在验证集上计算F1分数。如果训练损失下降但验证集F1分数不升反降很可能过拟合了需要简化模型或增加数据。计算参数梯度范数在训练初期可以计算参数梯度的范数。如果它指数级地接近于零例如小于1e-10那么很可能遇到了贫瘠高原需要重新初始化参数或改变Ansatz结构。使用不同的随机种子量子电路参数的初始化和数据的洗牌都是随机的。用多个随机种子运行实验可以确保性能的稳定性排除偶然性。量子机器学习在金融欺诈检测中的应用还处于早期阶段但我们的实验已经清晰地展示了其潜力和独特的挑战。VQC的稳健性、SQNN在特定数据上的优越性以及不同组件组合带来的性能差异都为后续研究和工程实践提供了宝贵的路标。未来的方向将集中在设计更高效的、针对金融数据时序性和图结构特性的量子编码方案开发更易于训练的混合量子-经典架构以及推动算法在真实含噪声量子硬件上的部署与优化。这条路虽然漫长但每一次严谨的实验对比和性能分析都在为最终实现量子计算在金融风控领域的实用化铺平道路。