财务报表审计中会计数据的联邦与隐私保护学习
机器学习
2022-08-29 v1 计算工程、金融与科学
密码学与安全
摘要
正在进行的“数字化转型”从根本上改变了审计证据的性质、记录和体量。如今，国际审计准则(ISA)要求审计师检查财务报表底层大量数字会计记录。因此，审计事务所也将其分析能力“数字化”并投资于深度学习(DL)——机器学习的一个成功子领域。DL 的应用能够从多个客户的数据中学习专门的审计模型，例如在同一行业或司法管辖区运营的组织。一般而言，法规要求审计师遵守严格的数据保密措施。同时，近期有趣的发现表明，大规模 DL 模型易泄漏敏感训练数据信息。如今，审计事务所如何在遵守数据保护法规的同时应用 DL 模型通常仍不明确。在这项工作中，我们提出一种联邦学习框架，用于在多个客户的审计相关会计数据上训练 DL 模型。该框架包含差分隐私和拆分学习能力，以缓解模型推断时的数据保密风险。我们在三个城市支付的真实世界数据集上评估了检测会计异常的方法。我们的结果提供了经验证据，表明审计师可从积累多个专有客户数据源知识的 DL 模型中受益。
引用
@article{arxiv.2208.12708,
title = {Federated and Privacy-Preserving Learning of Accounting Data in Financial Statement Audits},
author = {Marco Schreyer and Timur Sattarov and Damian Borth},
journal= {arXiv preprint arXiv:2208.12708},
year = {2022}
}
备注
8 pages, 5 figures, 3 tables, preprint version, currently under review