Quantum System for Counterfactual Explanation Generation in Financial AI Models
| dc.contributor.author | KALKOUL , Ines | |
| dc.contributor.author | NOUIOUA , Tarek Supervisor | |
| dc.date.accessioned | 2026-11-18T08:43:56Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Machine learning models are increasingly used in financial institutions to automate critical decisions such as credit scoring, fraud detection, and risk assessment. While these models achieve strong predictive performance, their black-box nature raises serious concerns regarding transparency and accountability, particularly in light of regulations such as GDPR Article 22 and MiFID II, which require that automated decisions affecting individuals be explainable and contestable. Existing explainability methods such as LIME and SHAP identify which features influenced a decision but do not indicate what should be changed to obtain a different outcome. Counterfactual explanations address this gap by identifying the minimal modification to an applicant’s profile that would flip a refused decision to an approved one. However, classical counterfactual generation methods rely on random or gradient-based search, which provides no guarantee of finding a minimal, realistic solution to this inherently combinatorial problem. This thesis proposes a hybrid quantum-classical framework for counterfactual explanation generation in financial decision systems. A Gradient Boosting Machine serves as the black-box credit-scoring oracle. A Variational Quantum Circuit, distilled from this oracle, provides a parameter-efficient validity scorer. The Quantum Approximate Optimization Algorithm then searches the combinatorial space of candidate feature modifications, guided by a cost Hamiltonian that structurally encodes regulatory constraints, including GDPR-mandated attribute immutability. Evaluated on the German Credit dataset under a stratified, unbiased protocol, the proposed approach achieves an 11.1 % improvement in proximity over DiCE, the strongest classical baseline, and a 48.2 % improvement over a non-quantum ablation, while maintaining 100 % structural regulatory compliance. The framework is further validated under simulated NISQ hardware noise, supporting its near-term practical feasibility. | |
| dc.description.sponsorship | Les modèles d’apprentissage automatique sont de plus en plus utilisés par les institutions financières pour automatiser des décisions critiques telles que le scoring de crédit, la détection de fraude et l’évaluation des risques. Bien que ces modèles atteignent de bonnes performances prédictives, leur nature de boîte noire soulève de sérieuses préoccupations en matière de transparence et de responsabilité, notamment au regard de réglementations telles que l’article 22 du RGPD et la directive MiFID II, qui exigent que les décisions automatisées affectant les individus soient explicables et contestables. Les méthodes d’explicabilité existantes telles que LIME et SHAP identifient les carac-téristiques ayant influencé une décision, mais n’indiquent pas ce qui devrait être modifié pour obtenir un résultat différent. Les explications contre-factuelles répondent à cette limite en identifiant la modification minimale du profil d’un demandeur qui permettrait de transformer une décision de refus en décision d’approbation. Cependant, les méthodes classiques de génération de contre-factuels reposent sur une recherche aléatoire ou par descente de gradient, qui n’offre aucune garantie de trouver une solution minimale et réaliste à ce problème intrinsèquement combinatoire. Cette thèse propose un cadre hybride quantique-classique pour la génération d’explications contre-factuelles dans les systèmes de décision financière. Une machine à gradient boosting sert d’oracle de scoring de crédit en boîte noire. Un circuit quantique variationnel, distillé à partir de cet oracle, fournit un évaluateur de validité économe en paramètres. L’algorithme QAOA explore ensuite l’espace combinatoire des modifications de caractéristiques can-didates, guidé par un hamiltonien de coût qui encode structurellement les contraintes réglementaires, notamment l’immutabilité des attributs imposée par le RGPD | |
| dc.identifier.other | MAI/1177 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/4362 | |
| dc.language.iso | en | |
| dc.publisher | Unuversity Setif 1 Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Explainable AI | |
| dc.subject | Counterfactual explanations | |
| dc.subject | Quantum computing | |
| dc.subject | QAOA | |
| dc.subject | Variational quantum circuit | |
| dc.subject | GDPR. | |
| dc.title | Quantum System for Counterfactual Explanation Generation in Financial AI Models | |
| dc.type | Thesis |
