ERP-RiskBench：金融风险的泄漏安全集成学习

Sanjay Mishra

ERP-RiskBench：金融风险的泄漏安全集成学习

机器学习 2026-03-10 v1 人工智能

作者: Sanjay Mishra

摘要

企业资源计划 (ERP) 系统中的金融风险检测是机器学习的重要但未被充分探索的应用领域。已发表的研究往往 suffer from 模糊的数据集描述、易泄漏的管道以及会夸大报告性能的评估实践。本文提出了用于 ERP 金融风险检测的重建实验框架，采用集成机器学习方法。风险定义为混合类型，涵盖采购合规性异常和交易欺诈。从公开采购事件日志、标注欺诈数据以及一个注入规则风险类型的新型合成 ERP 数据集中构建了称为 ERP-RiskBench 的复合基准数据集。嵌套交叉验证结合时间感知和分组感知的划分，确保管道全程防泄漏。主要模型为梯度提升方法的堆叠集成，测试对象还包括线性基线、深度表格架构和一个可解释的玻璃盒替代方案。性能通过 Matthews 相关系数、精确召回曲线下面积和使用校准概率的成本敏感决策分析进行衡量。在多种数据集配置和结构化消融研究中，堆叠集成实现了最佳的检测结果。泄漏安全协议显著降低了之前被夸大的准确率估计。基于 SHAP 的解释和特征稳定性分析表明，采购控制特征，尤其是三方匹配偏差 discrepancy，位于最具信息量的预测器之列。该结果框架提供了一个可复现、以操作为导向的蓝图，用于 ERP 审计和治理设置下的机器学习部署。

关键词

金融风险检测集成学习 ERP 数据泄漏堆叠集成时间感知交叉验证

引用

@article{arxiv.2603.06671,
  title  = {ERP-RiskBench: Leakage-Safe Ensemble Learning for Financial Risk},
  author = {Sanjay Mishra},
  journal= {arXiv preprint arXiv:2603.06671},
  year   = {2026}
}

备注

12 pages, 11 figures, 8 tables

ERP-RiskBench：金融风险的泄漏安全集成学习

摘要

关键词

引用

备注

相关论文