使用混合无监督离群点检测方法的逃税风险管理
机器学习
2021-08-25 v2
摘要
大数据方法正成为世界范围内税务欺诈检测的重要工具。由于相应数据集中缺乏标签与真值，无监督学习方法是主导框架，尽管这些方法存在可解释性低的缺陷。本文提出 HUNOD，一种用于逃税风险管理的新型混合无监督离群点检测方法。与文献中已有方法不同，HUNOD 方法结合了基于两种不同机器学习设计（即聚类和表示学习）的离群点检测方法来检测并在内部验证给定税务数据集中的离群点。HUNOD 方法允许使用者将相关领域知识引入两个组成离群点检测方法，以检测对给定经济背景相关的离群点。通过对无监督离群点检测结果训练可设计解释的替代模型来实现所获离群点的可解释性。HUNOD 方法的实验评估在由塞尔维亚税务局收集的个人所得税申报数据库衍生的两个数据集上进行。所得结果表明，根据聚类配置和所采用的表示学习正则化机制，该方法指示出 90% 至 98% 的内部验证离群点。
引用
@article{arxiv.2103.01033,
title = {Tax Evasion Risk Management Using a Hybrid Unsupervised Outlier Detection Method},
author = {Miloš Savić and Jasna Atanasijević and Dušan Jakovetić and Nataša Krejić},
journal= {arXiv preprint arXiv:2103.01033},
year = {2021}
}
备注
Submitted to Elsevier journal for possible publication