基于多头自注意力网络的会计交易动态异常识别
机器学习
2025-11-18 v1
摘要
本研究针对会计交易中的动态异常检测问题，提出一种基于Transformer的实时检测方法，以应对复杂交易环境中隐藏异常行为和高时效性要求的挑战。该方法首先通过将多维记录表示为时间序列矩阵来建模会计交易数据，并使用嵌入层和位置编码实现输入的低维映射。随后构建具有多头自注意力的序列建模结构，以捕获全局依赖关系并从多个视角聚合特征，从而增强异常模式检测能力。该网络进一步整合了前馈层和正则化策略，以实现深层特征表征和准确的异常概率估计。为验证该方法的有效性，在公开数据集上进行了大量实验，包括比较分析、超参数敏感性测试、环境敏感性测试和数据敏感性测试。结果表明，所提方法在AUC、F1-得分、精确率和召回率方面均优于基线模型，并在不同环境条件和数据扰动下保持稳定性能。这些发现确认了基于Transformer的框架对于会计交易中的动态异常检测具有可行性和优势，为智能金融风险控制和审计提供了方法论支持。
引用
@article{arxiv.2511.12122,
title = {Dynamic Anomaly Identification in Accounting Transactions via Multi-Head Self-Attention Networks},
author = {Yi Wang and Ruoyi Fang and Anzhuo Xie and Hanrui Feng and Jianlin Lai},
journal= {arXiv preprint arXiv:2511.12122},
year = {2025}
}