当前企业的业务流程复杂度和结构化会计数据规模不断增加,在年度审计中识别出错误或舞弊的商业活动和相应记账分录的难度也逐渐加大.为此,提出了基于结合变分自编码器(Variational AutoEncoer,VAE)和长短时记忆(Long Short Term Memory,...当前企业的业务流程复杂度和结构化会计数据规模不断增加,在年度审计中识别出错误或舞弊的商业活动和相应记账分录的难度也逐渐加大.为此,提出了基于结合变分自编码器(Variational AutoEncoer,VAE)和长短时记忆(Long Short Term Memory,LSTM)网络的会计数据异常检测方案.针对会计信息系统(Accounting Information System,AIS)的结构化会计数据,利用所提模型对每个会计分录的底层分布进行建模,并基于预期分布信息进行多元变量重建.将多元输入与重建分布之间的负对数似然性作为异常得分.此外,提出了异常检测的动态阈值调整技术,进一步提高了通用性.实验结果表明,所提方法能够准确高效地完成大规模会计数据中的异常检测,性能显著优于其他统计方法和深度学习方法.展开更多
文摘当前企业的业务流程复杂度和结构化会计数据规模不断增加,在年度审计中识别出错误或舞弊的商业活动和相应记账分录的难度也逐渐加大.为此,提出了基于结合变分自编码器(Variational AutoEncoer,VAE)和长短时记忆(Long Short Term Memory,LSTM)网络的会计数据异常检测方案.针对会计信息系统(Accounting Information System,AIS)的结构化会计数据,利用所提模型对每个会计分录的底层分布进行建模,并基于预期分布信息进行多元变量重建.将多元输入与重建分布之间的负对数似然性作为异常得分.此外,提出了异常检测的动态阈值调整技术,进一步提高了通用性.实验结果表明,所提方法能够准确高效地完成大规模会计数据中的异常检测,性能显著优于其他统计方法和深度学习方法.