审计分析中的无监督异常检测：一项使用美国支出数据的案例研究
机器学习
2025-09-25 v1 人工智能
摘要
本研究以美国卫生与公众服务部的美国支出数据为案例，探讨了无监督异常检测方法在审计分析中的有效性。我们采用并比较了多种异常检测算法，包括基于直方图的异常值得分、稳健主成分分析、最小协方差行列式和K最近邻，以识别联邦支出模式中的异常。这项研究回应了在大规模政府数据集中进行高效、准确异常检测的日益增长的需求，而传统审计方法在这方面可能有所不足。我们的方法论包括数据准备、算法实现以及使用精确率、召回率和F1分数进行性能评估。结果表明，结合多种检测策略的混合方法增强了复杂财务数据中异常识别的鲁棒性和准确性。本研究通过提供对各种异常检测模型比较有效性的见解，并展示了无监督学习技术在提高审计质量和效率方面的潜力，为审计分析领域做出了贡献。这些发现对寻求在政府财务监督和风险管理中利用高级分析的审计师、政策制定者和研究人员具有重要意义。
引用
@article{arxiv.2509.19366,
title = {Unsupervised Outlier Detection in Audit Analytics: A Case Study Using USA Spending Data},
author = {Buhe Li and Berkay Kaplan and Maksym Lazirko and Aleksandr Kogan},
journal= {arXiv preprint arXiv:2509.19366},
year = {2025}
}