Uso de técnicas de inspiración cuántica para mejorar la explicabilidad de los algoritmos de aprendizaje automático

Abstract

La inteligencia artificial y el aprendizaje automático se han convertido en herramientas fundamentales para resolver problemas complejos a partir de datos, pero el aumento de su capacidad suele ir acompañado de una mayor opacidad. En ámbitos sensibles como la ciberseguridad no basta con que un modelo acierte: sus decisiones deben poder entenderse, auditarse y justificarse. Este Trabajo de Fin de Grado desarrolla, implementa y evalúa un sistema de detección de anomalías que combina capacidad de detección con interpretabilidad inherente, utilizando un modelo generativo basado en redes tensoriales.

En concreto, se emplea un Matrix Product State (MPS), una red tensorial procedente de la física cuántica, como modelo generativo que aprende la distribución de probabilidad del tráfico normal de una red. El modelo se entrena de forma semi-supervisada, únicamente con observaciones benignas, y asigna a cada conexión una puntuación de anomalía igual a su log-verosimilitud negativa, de modo que las observaciones poco probables se identifican como ataques. La propuesta se valida sobre el conjunto NSL-KDD de detección de intrusiones en red.

Como detector, el modelo alcanza un AUC-ROC de 0.953 y un AUC-PR de 0.950. Detecta con gran fiabilidad los ataques de denegación de servicio y de sondeo, y con mayor dificultad las familias R2L y U2R, que se camuflan en sesiones aparentemente legítimas.

Más allá de la detección, la estructura del MPS permite extraer explicaciones internas (probabilidades marginales, condicionales y conjuntas, entropía de Von Neumann e información mutua) sin recurrir a técnicas externas. La principal aportación es la cuota de correlación, una métrica que mide la fiabilidad de la explicación de cada anomalía, advirtiendo cuándo una alerta se debe a la combinación de valores y no a valores individualmente improbables. Los resultados confirman que los MPS son una alternativa viable para la detección interpretable de anomalías.

Artificial intelligence and machine learning have become essential tools for solving complex data-driven problems, but their growing capacity usually comes with greater opacity. In sensitive domains such as cybersecurity, it is not enough for a model to be accurate: its decisions must be understandable, auditable and justifiable. This Bachelor's Thesis develops, implements and evaluates an anomaly-detection system that combines detection performance with inherent interpretability, using a generative model based on tensor networks.

Specifically, it employs a Matrix Product State (MPS), a tensor network originating in quantum physics, as a generative model that learns the probability distribution of a network's normal traffic. The model is trained in a semi-supervised, one-class fashion, using only benign observations: the input features are first discretised, and the tensors of the chain are then fitted with a DMRG-style algorithm that maximises the likelihood of the normal traffic. At inference time, each connection is assigned an anomaly score equal to its negative log-likelihood, so that unlikely observations are flagged as attacks. The proposal is validated on the NSL-KDD network-intrusion-detection dataset.

As a detector, the model reaches an AUC-ROC of 0.953 and an AUC-PR of 0.950, with its best precision–recall trade-off yielding an F1 of 0.917. It detects denial-of-service and probing attacks very reliably, and struggles more with the R2L and U2R families, which blend into apparently legitimate sessions and are scarcer in the data.

Beyond detection, the structure of the MPS makes it possible to extract internal explanations (marginal, conditional and joint probabilities, Von Neumann entropy and mutual information) without resorting to external techniques. The main contribution is the correlation share, a metric that measures the reliability of the explanation of each anomaly, warning when an alert is due to the combination of values rather than to individually improbable values. The results confirm that MPS are a viable alternative for interpretable anomaly detection.