RESHAPE：通过增强 SHapley Additive exPlanations 解释财务报表审计中的会计异常
机器学习
2022-09-20 v1 计算工程、金融与科学
统计金融
摘要
检测会计异常是财务报表审计中反复出现的挑战。近来，源于深度学习（DL）的新方法被提出用于审计报表底层会计记录的大量数据。然而，由于其庞大的参数数量，此类模型具有固有的不透明性缺陷。同时，对模型内部机制的隐藏往往阻碍其在实际中的应用。这一观察在财务审计中尤为确切，因为审计师必须合理地解释并证明其审计决策的合理性。如今，已提出多种可解释 AI（XAI）技术应对该挑战，例如 SHapley Additive exPlanations（SHAP）。但在财务审计中常用的无监督 DL 中，这些方法在编码变量层面解释模型输出。结果，自编码器神经网络（AENN）的解释往往难以被人类审计师理解。为缓解该缺陷，我们提出 RESHAPE，其在聚合的属性层面解释模型输出。此外，我们引入一种评估框架以比较 XAI 方法在审计中的通用性。实验结果表明，与最先进的基线相比，RESHAPE 能产生通用性更强的解释。我们设想此类属性级解释是无监督 DL 技术在财务审计中应用的必要下一步。
引用
@article{arxiv.2209.09157,
title = {RESHAPE: Explaining Accounting Anomalies in Financial Statement Audits by enhancing SHapley Additive exPlanations},
author = {Ricardo Müller and Marco Schreyer and Timur Sattarov and Damian Borth},
journal= {arXiv preprint arXiv:2209.09157},
year = {2022}
}
备注
9 pages, 4 figures, 5 tables, preprint version, currently under review