通过最大违反多目标攻击对财务报告的对抗性机器学习攻击
机器学习
2025-07-09 v1 机器学习
摘要
不良行为者，主要是陷入困境的公司，有动机和愿望操纵其财务报告以隐藏其困境并获取个人利益。作为攻击者，这些公司受到数百万美元潜在收益以及许多公开披露和使用的财务建模框架的驱动。由于存在反相关目标，攻击者必须同时满足这些目标才能成功，因此现有的攻击方法不适用于此数据。我们引入了最大违反多目标（MVMO）攻击，该攻击调整攻击者的搜索方向，以找到比标准攻击多20倍的满足条件的攻击。结果是，在大约50%的情况下，公司可以将其收益夸大100-200%，同时将其欺诈评分降低15%。通过与律师和专业会计师合作，我们确保我们的威胁模型符合此类欺诈在实际中是如何进行的。
引用
@article{arxiv.2507.05441,
title = {Adversarial Machine Learning Attacks on Financial Reporting via Maximum Violated Multi-Objective Attack},
author = {Edward Raff and Karen Kukla and Michel Benaroch and Joseph Comprix},
journal= {arXiv preprint arXiv:2507.05441},
year = {2025}
}
备注
KDD Workshop on Machine Learning in Finance