基于非模型共享方法的双录账数据异常检测联邦学习系统

异常检测在财务审计中至关重要，有效检测需要来自多个组织的大量数据。然而，日记账数据高度敏感，无法直接在审计公司之间共享。为解决这一挑战，提出了基于模型共享类型联邦学习（FL）的日记账异常检测方法。这些方法需要进行多轮与外部服务器之间的通信，以交换模型参数，这要求将存储敏感数据的设备连接到外部网络——这一做法不推荐用于此类敏感数据。为克服这些限制，提出了一种基于数据协作（DC）分析的异常检测框架，采用非模型共享类型FL方法。该方法首先通过降维将原始日记账数据转换为安全的中间表示，然后构建用于训练异常检测自编码器的协作表示。值得注意的是，该方法无需暴露原始数据或将设备连接到外部网络，整个过程仅需一次通信。该提出的方法在两个数据集上进行了评估：一个是合成数据集，另一个是来自八个医疗机构的真实世界日记账数据。实验结果表明，该框架不仅在单个数据上训练的基线模型之上，而且在非独立同分布（non-i.i.d.）情况下（模拟实际审计环境）的检测性能也高于模型共享FL方法，如FedAvg和FedProx。该研究解决了在保持数据保密性的同时整合组织知识的关键需求，为开发实用智能审计系统的发展做出了贡献。