用于下游审计任务的多视图对比自监督会计数据表示学习
机器学习
2021-09-24 v1 计算工程、金融与科学
摘要
国际审计准则要求直接评估财务报表背后的会计交易,即日记账分录。近来,受人工智能进展推动,审计海量日记账分录数据领域出现了受深度学习启发的审计技术。当前,此类方法大多依赖一组专用模型,每个模型针对特定审计任务训练。同时,在执行财务报表审计时,审计团队面临(i)紧张的时间预算约束、(ii)繁重的文档义务以及(iii)严格的模型可解释性要求。因此,审计师倾向于在整个审计业务中仅使用单一且 preferably `多用途'的模型。我们提出一个对比自监督学习框架,旨在学习审计任务不变的会计数据表示以满足该需求。该框架包含利用日记账分录数据属性特征的精心设计的相互作用数据增强策略。我们在两个真实世界的城市支付数据集上评估该框架,并将学习到的表示迁移至三个下游审计任务:异常检测、审计抽样和审计文档。我们的实验结果为所提框架能够通过学习丰富且可解释的`多任务'表示来提高审计效率提供了实证证据。
引用
@article{arxiv.2109.11201,
title = {Multi-view Contrastive Self-Supervised Learning of Accounting Data Representations for Downstream Audit Tasks},
author = {Marco Schreyer and Timur Sattarov and Damian Borth},
journal= {arXiv preprint arXiv:2109.11201},
year = {2021}
}
备注
8 pages (excl. appendix), 4 Figures, 3 Tables