用于检测财务审计中会计异常的联邦持续学习
机器学习
2022-10-28 v1
摘要
国际审计准则要求审计师收集合理保证，以确信财务报表不存在重大错报。同时，持续审计的一个核心目标是对数字会计分录进行实时评估。近年来，在人工智能进步的推动下，深度学习技术已出现在财务审计中，用于检查海量会计数据。然而，在去中心化和动态环境中学习高度自适应的审计模型仍然具有挑战性。它需要研究跨多个客户端和时间段的数据分布偏移。在这项工作中，我们提出了一个联邦持续学习框架，使审计师能够持续地从去中心化客户端学习审计模型。我们评估了该框架在组织活动的常见场景中检测会计异常的能力。我们使用真实世界数据集并结合联邦持续学习策略的实证结果，证明了所学模型在数据分布偏移的审计环境中检测异常的能力。
引用
@article{arxiv.2210.15051,
title = {Federated Continual Learning to Detect Accounting Anomalies in Financial Auditing},
author = {Marco Schreyer and Hamed Hemati and Damian Borth and Miklos A. Vasarhelyi},
journal= {arXiv preprint arXiv:2210.15051},
year = {2022}
}
备注
6 pages (excl. appendix), 5 figures, 1 table, preprint version, currently under review