Qsco: A Quantum Scoring Module for Open-set Supervised Anomaly Detection

本文介绍了开放集异常检测（OSAD）这一关键任务，其目的是在数据集中识别异常模式或行为，尤其是在训练过程中观察到的异常并不能代表所有可能的异常类别。量子计算在处理复杂数据结构和改进机器学习模型方面的最新进展预示着异常检测方法学中的范式转变。本研究提出了一个量子评分模块（Qsco），将量子变分电路嵌入神经网络中，以增强模型处理不确定性和未标记数据的能力。在八个真实世界的异常检测数据集上进行的大量实验表明，我们的模型在各种设置下检测异常的性能优越，并揭示了将量子模拟器集成到模型中并不会导致禁止性的时间复杂度。我们的研究验证了量子增强的异常检测方法在实际应用中的可行性。

本论文旨在解决开放集合异常检测(OSAD)的问题，即在训练期间观察到的异常不代表所有可能的异常类别。同时，论文试图验证量子计算在处理复杂数据结构和改进机器学习模型方面的潜力，以提高异常检测方法的性能。

本论文的解决方案是在神经网络中嵌入量子变分电路，形成量子评分模块(Qsco)，以提高处理不确定性和未标记数据的能力。

论文在八个真实世界的异常检测数据集上进行了广泛的实验，展示了该模型在各种设置下检测异常的卓越性能，并揭示了集成量子模拟器不会导致禁止时间复杂度的事实。本研究验证了量子增强异常检测方法在实际应用中的可行性。

最近的相关研究包括：1. Quantum anomaly detection with qubit-based autoencoders; 2. Quantum machine learning for anomaly detection in data centers; 3. Quantum-inspired feature extraction for anomaly detection in time-series data.