利用对抗自编码器神经网络在潜空间检测会计异常
机器学习
2019-08-05 v1 统计金融
机器学习
摘要
会计数据中的舞弊检测是财务报表审计中长期存在的挑战。当前多数应用技术依赖于从已知舞弊场景推导出的手工规则。尽管相当成功，这些规则存在缺陷：往往无法泛化至已知舞弊场景之外，且舞弊者逐渐找到规避方法。相比之下，受深度学习近期成功启发的高级方法通常缺乏对检测结果的顺畅可解释性。为克服该挑战，我们提出应用对抗自编码器网络。我们证明此类人工神经网络能够学习真实世界日记账分录的语义有意义表示。所学表示对给定日记账分录集合提供整体视角，并显著改善所检测会计异常的可解释性。我们展示该表示与网络重构误差相结合可用作无监督且高度自适应的异常评估。在两个数据集上的实验以及法医会计师的初步反馈印证了方法的有效性。
引用
@article{arxiv.1908.00734,
title = {Detection of Accounting Anomalies in the Latent Space using Adversarial Autoencoder Neural Networks},
author = {Marco Schreyer and Timur Sattarov and Christian Schulze and Bernd Reimer and Damian Borth},
journal= {arXiv preprint arXiv:1908.00734},
year = {2019}
}
备注
11 pages, 9 figures, 2nd KDD Workshop on Anomaly Detection in Finance, August 05, 2019, Anchorage, Alaska