Resolução de Problemas de Seleção de Características com Algoritmos Quânticos em Dados Financeiros Reais

Lucas Galvão; Otto Pires; Yan Alef Chagas; Maria Heloísa Fraga; Marcelo A. Moret

doi:10.14295/vetor.v34i2.18358

Autores

Lucas Galvão Latin American Quantum Computing Center, SENAI CIMATEC, Piatã, Salvador, Bahia
Otto Pires Centro Universitário SENAI CIMATEC, Salvador, Brasil
Yan Alef Chagas Centro Universitário SENAI CIMATEC, Salvador, Brasil
Maria Heloísa Fraga Centro Universitário SENAI CIMATEC, Salvador, Brasil
Marcelo A. Moret Centro Universitário SENAI CIMATEC, Salvador, Brasil https://orcid.org/0000-0003-0051-6309

DOI:

https://doi.org/10.14295/vetor.v34i2.18358

Palavras-chave:

Seleção de características, Dados financeiros, Quantum Annealing, QUBO, Aprendizado de Máquina

Resumo

O setor financeiro enfrenta desafios significativos ao lidar com conjuntos de dados de alta dimensionalidade e um número limitado de amostras, dificultando a construção de modelos preditivos robustos. Técnicas tradicionais de aprendizado de máquina ajudam a mitigar esses problemas, mas a presença de características irrelevantes e redundantes aumenta a complexidade computacional. Este artigo apresenta a aplicação de algoritmos quânticos na seleção de características usando dados reais do setor financeiro, demonstrando que esses algoritmos podem melhorar a eficiência e a precisão dos modelos preditivos. A abordagem envolve a formulação do problema em termos de Otimização Binária Quadrática Irrestrita (QUBO), e sua solução é implementada em simuladores de um annealer quântico. Os experimentos mostram resultados promissores, que são analisados adotando-se a métrica do Critério de Informação de Akaike. Os resultados sugerem que os algoritmos quânticos variacionais têm grande potencial de aplicação se comparados a técnicas tradicionais de seleção de características.

Downloads

Não há dados estatísticos.

Referências

D. Liang, C.-F. Tsai, e H.-T. Wu, “The effect of feature selection on financial distress prediction,” Knowl. Based Syst., vol. 73, pp. 289–297, 2015.

J. Cai, J. Luo, S. Wang, e S. Yang, “Feature selection in machine learning: A new perspective,” Neurocomputing, vol. 300, pp. 70–79, 2018.

S. Velliangiri, S. Alagumuthukrishnan, e S. I. T. Joseph, “A review of dimensionality reduction techniques for efficient computation,” Procedia Computer Science, 2019. Disponível em: https://doi.org/10.1016/j.procs.2020.01.079

L. van der Maaten, E. O. Postma, e J. van den Herik, “Dimensionality reduction: A comparative review,” 2009. Disponível em: https://api.semanticscholar.org/CorpusID:12051918

C. Sorzano, J. Vargas, e A. Montano, “A survey of dimensionality reduction techniques,” 03 2014.

S. Ayesha, M. K. Hanif, e R. Talib, “Overview and comparative study of dimensionality reduction techniques for high dimensional data,” Information Fusion, vol. 59, pp. 44–58, 2020. Disponível em: https://doi.org/10.1016/j.inffus.2020.01.005

S. Khalid, T. Khalil, e S. Nasreen, “A survey of feature selection and feature extraction techniques in machine learning,” em 2014 Science and Information Conference, 2014, pp. 372–378.

C. Zoufal, R. V. Mishmash, N. Sharma, N. Kumar, A. Sheshadri, A. Deshmukh, N. Ibrahim, J. Gacon, e S. Woerner, “Variational quantum algorithm for unconstrained black box binary optimization: Application to feature selection,” Quantum, vol. 7, p. 909, 2023. Disponível em: https://doi.org/10.22331/q-2023-01-26-909

A. Abbas, A. Ambainis, B. Augustino, A. Bärtschi, H. Buhrman, C. Coffrin, G. Cortiana, V. Dunjko, D. J. Egger, B. G. Elmegreen et al., “Challenges and opportunities in quantum optimization,” Nature Reviews Physics, pp. 1–18, 2024. Disponível em: https://doi.org/10.1038/s42254-024-00770-9

S. Mücke, R. Heese, S. Müller, M. Wolter, e N. Piatkowski, “Feature selection on quantum computers,” Quantum Machine Intelligence, vol. 5, no. 1, feb 2023. Disponível em: https://doi.org/10.1007%2Fs42484-023-00099-z

G. Hellstern, V. Dehn, e M. Zaefferer, “Quantum computer based feature selection in machine learning,” IET Quantum Communication, vol. 5, no. 3, p. 232–252, 2024. Disponível em: https://doi.org/10.1049/qtc2.12086

R. Nembrini, M. Ferrari Dacrema, e P. Cremonesi, “Feature selection for recommender systems with quantum computing,” Entropy, vol. 23, no. 8, 2021. Disponível em: https://www.mdpi.com/1099-4300/23/8/970

K. Zhang, Y. Zheng, e Z. Li, “Dimension reduction for efficient data-enabled predictive control,” IEEE Control Systems Letters, vol. 7, pp. 3277–3282, 2022. Disponível em: https://doi.org/10.1109/LCSYS.2023.3322965

M. I. Jordan e T. Mitchell, “Machine learning: Trends, perspectives, and prospects,” Science, vol. 349, pp. 255 – 260, 2015. Disponível em: https://doi.org/10.1126/science.aaa8415

M. Rostami, K. Berahmand, E. Nasiri, e S. Forouzandeh, “Review of swarm intelligence-based feature selection methods,” Engineering Applications of Artificial Intelligence, vol. 100, p. 104210, 2021. Disponível em: https://www.sciencedirect.com/science/article/pii/S0952197621000579

J. Cai, J. Luo, S. Wang, e S. Yang, “Feature selection in machine learning: A new perspective,” Neurocomputing, vol. 300, pp. 70–79, 2018. Disponível em: https://www.sciencedirect.com/science/article/pii/S0925231218302911

A. J. Ferreira e M. A. T. Figueiredo, Boosting Algorithms: A Review of Methods, Theory, and Applications. New York, NY: Springer New York, 2012, pp. 35–85. Disponível em: https://doi.org/10.1007/978-1-4419-9326-7_2

F. Moroni, “A survey on feature selection methods for classification solved with quantum annealing,” Dissertação de mestrado, Politecnico di Milano, 2021. Disponível em: https://www.politesi.polimi.it/retrieve/04b2f778-f24a-46a2-9532-8aba12e74652/2021_12_Moroni.pdf

E. K. Grant e T. S. Humble, “Adiabatic quantum computing and quantum annealing,” em Oxford Research Encyclopedia of Physics, 2020.

L. Andrew, “Ising formulations of many NP problems,” Frontiers in physics, vol. 2, p. 5, 2014. Disponível em: https://doi.org/10.3389/fphy.2014.00005

E. F. Combarro, S. González-Castillo, e A. Di Meglio, A Practical Guide to Quantum Machine Learning and Quantum Optimization: Hands-on Approach to Modern Quantum Algorithms. Packt Publishing Ltd, 2023.

W. Van Dam, M. Mosca, e U. Vazirani, “How powerful is adiabatic quantum computation?” em Proceedings 42nd IEEE symposium on foundations of computer science. IEEE, 2001, pp. 279–287.

A. Cervera-Lierta, “Exact ising model simulation on a quantum computer,” Quantum, vol. 2, p. 114, 2018. Disponível em: https://doi.org/10.22331/q-2018-12-21-114

J. Xu, B. Tang, H. He, e H. Man, “Semisupervised feature selection based on relevance and redundancy criteria,” IEEE Transactions on Neural Networks and Learning Systems, vol. 28, pp. 1974–1984, 2017. Disponível em: https://doi.org/10.1109/TNNLS.2016.2562670

R. K. Nath, H. Thapliyal, e T. S. Humble, “Quantum annealing for automated feature selection in stress detection,” em 2021 IEEE Computer Society Annual Symposium on VLSI (ISVLSI). IEEE, 2021, pp. 453–457.

H. Akaike, “A new look at the statistical model identification,” IEEE Transactions on Automatic Control, vol. 19, no. 6, pp. 716–723, 1974. Disponível em: https://doi.org/10.1109/TAC.1974.1100705

S. Portet, “A primer on model selection using the Akaike information criterion,” Infectious Disease Modelling, vol. 5, pp. 111 – 128, 2020. Disponível em: https://doi.org/10.1016/j.idm.2019.12.010

A. Blumer, A. Ehrenfeucht, D. Haussler, e M. K. Warmuth, “Occam’s razor,” Information Processing Letters, vol. 24, no. 6, pp. 377–380, 1987. Disponível em: https://doi.org/10.1016/0020-0190(87)90114-1