Babak Emami, Wesley Dyk, David Haycraft, Carrie Spear, Lac Nguyen, Nicholas Chancellor
개요
CVQBoost는 Quantum Computing Inc의 Entropy Quantum Computing (EQC) 패러다임을 구현한 초기 하드웨어인 Dirac-3을 활용하는 새로운 분류 알고리즘입니다. 본 논문에서는 사기 탐지 테스트 사례에 CVQBoost를 적용하고 널리 사용되는 머신러닝 방법인 XGBoost와 성능을 비교 분석합니다. Dirac-3에서 실행되는 CVQBoost는 최대 48개의 CPU와 4개의 NVIDIA L4 GPU를 포함하는 고성능 하드웨어(RAPIDS AI 프레임워크 사용)에서 XGBoost보다 훨씬 빠른 실행 시간을 보여줍니다. 특히 데이터셋 크기와 특징의 복잡성이 증가함에 따라 CVQBoost는 경쟁력 있는 정확도(AUC 측정)를 유지하면서 훈련 시간을 크게 단축합니다. 100만 개에서 7000만 개의 샘플에 이르는 대규모 합성 데이터셋으로 확장성을 평가한 결과, Dirac-3에서 실행되는 CVQBoost는 대규모 분류 작업에 적합한 것으로 나타났습니다. 이러한 결과는 CVQBoost를 사기 탐지와 같은 고차원 머신러닝 애플리케이션에 대해 뛰어난 확장성과 효율성을 제공하는 기울기 부스팅 방법에 대한 유망한 대안으로 자리매김하게 합니다.
시사점, 한계점
•
시사점:
◦
Dirac-3 기반 CVQBoost는 XGBoost에 비해 훈련 시간을 크게 단축시키는 효율성을 보여줍니다.
◦
데이터셋 크기와 특징의 복잡성이 증가할수록 CVQBoost의 성능 우위가 더욱 두드러집니다.
◦
대규모 데이터셋에서도 높은 확장성을 보여주어 대규모 분류 작업에 적합합니다.
◦
고차원 머신러닝 애플리케이션에 대한 기울기 부스팅 방법의 효율적인 대안을 제시합니다.
•
한계점:
◦
현재는 초기 단계의 양자 컴퓨팅 하드웨어인 Dirac-3에 의존적입니다. 향후 다른 하드웨어로의 이식성에 대한 검증이 필요합니다.
◦
본 연구는 특정 사기 탐지 테스트 사례에 국한되어 있으며, 다른 분야 또는 데이터셋으로의 일반화 가능성에 대한 추가 연구가 필요합니다.
