利用深度自编码器网络检测大规模会计数据中的异常
机器学习
2018-08-02 v2 计算工程、金融与科学
摘要
学习检测大规模会计数据中的欺诈是财务报表审计或欺诈调查中长期存在的挑战之一。如今，大多数应用技术都指的是源自已知欺诈场景的手工规则。虽然相当成功，但这些规则存在缺点，即它们往往无法推广到已知欺诈场景之外，且欺诈者逐渐找到规避它们的方法。为了克服这一劣势并受深度学习近期成功的启发，我们提出应用深度自编码器神经网络来检测异常的日记账分录。我们证明，针对日记账分录可获得并由该分录的个体属性概率正则化的训练网络重构误差，可以被解释为一种高度自适应的异常评估。在两个真实世界的日记账分录数据集上的实验显示了该方法的有效性，其 f1-score 分别达到 32.93（数据集 A）和 16.95（数据集 B），且与最先进的基线方法相比误报警报更少。特许会计师和欺诈审查员提供的初步反馈证实了该方法在捕捉高度相关的会计异常方面的质量。
引用
@article{arxiv.1709.05254,
title = {Detection of Anomalies in Large Scale Accounting Data using Deep Autoencoder Networks},
author = {Marco Schreyer and Timur Sattarov and Damian Borth and Andreas Dengel and Bernd Reimer},
journal= {arXiv preprint arXiv:1709.05254},
year = {2018}
}
备注
19 pages, 6 figures, 3 tables