面向会计科目关系异常检测的无监督图建模
机器学习
2026-04-30 v1
摘要
本文解决会计科目关联结构异常检测的问题，提出一种基于图神经网络的结构化建模和无监督判别框架。该框架用于挖掘科目间的稳定对应关系，并识别一般分录细节和凭证条目中的结构性偏差。该方法首先将会计科目抽象为图节点，将同一业务记录中科目的共现情况和借贷对应关系抽象为加权边。边权重通过共现频率或金额聚合等统计度量进行特征化，从而形成周期级别的会计科目关联图。在表示学习阶段，采用消息传递机制融合节点的自身属性和邻域上下文，以获取包含结构信息的节点嵌入。在异常检测阶段，通过关系重建解码器估计科目对连接的合理性，并基于重建概率偏差程度定义边级异常得分。这些得分随后被聚合以获得节点级风险排序和局部异常定位。该框架能够在不依赖异常标签的情况下同时捕获局部子结构异常和跨社区异常连接，输出可追溯的科目对风险线索。比较实验表明该方法在综合判别能力和高排名准确性方面具有更好的稳定性。
引用
@article{arxiv.2604.26216,
title = {Unsupervised Graph Modeling for Anomaly Detection in Accounting Subject Relationships},
author = {Yuhan Wang and Ruobing Yan and Zhe Su and Hejing Chen and Ningjing Sang and Yunfei Nie},
journal= {arXiv preprint arXiv:2604.26216},
year = {2026}
}