大数据审计实践类课程教学改革的思考与探索

针对当前大数据审计实践类课程中存在的课程体系复杂,知识点组织衔接不合理,个性化需求难以满足,真实数据与案例匮乏,实验教学工具缺失等诸多问题,从梳理知识点与重构课程体系、创新和优化教学模式与方法、加强校企合作、研发先进实验教学系统等方面提出教学改革思路,并以南京审计大学为例讨论了教学改革的实践效果,以期为大数据审计实践类课程的改革和人才培养提供参考和借鉴。

基于真值区间的模糊认知逻辑

Lorini提出了基于信念库的信念态度逻辑,以解决认知科学领域的逻辑全知问题;文章采用了Levesque提出的“觉知”算子来区分显式信念和隐式信念。而在人工智能、决策和知识表征领域,需要研究信念的准确程度,这在信念态度逻辑中是没有涉及的。对此,文章尝试使用模糊模态逻辑的刻画方式引入真值区间从而对信念为真的概率进行描述,在此基础上提出新的逻辑框架并引入公理,最终证明其语义模型的可靠性。

审计大模型的构建与运用

随着大数据和人工智能技术的快速发展,为了进一步提高审计工作的效率和质量,研究人员开始探索新的审计技术和方法,审计大模型方法应运而生。审计大模型方法通过构建大型语言模型和多模态数据模型,对海量数据进行处理和分析,以发现潜在的风险和违法违规问题。目前,一些研发机构已经开发出基于大模型的智能审计系统,可以对财务报表、内部控制、风险评估等方面进行自动化的审计分析和处理。这对于审计大模型的研究具有重要的实践意义和理论价值。

基于近邻监督局部不变鲁棒主成分分析的特征提取模型

针对无监督的局部不变鲁棒主成分分析(LIRPCA)算法未考虑样本间的类别关系的问题,提出了一种基于近邻监督局部不变鲁棒主成分分析(NSLIRPCA)的特征提取模型。所提模型考虑了样本间的类别信息,并以此构建关系矩阵。对所提模型进行公式求解和公式的收敛性证明,并将所提模型应用于各种遮挡数据集。实验结果表明,在ORL、Yale、COIL-Processed和PolyU数据集上,与主成分分析(PCA)算法、基于L1范数的主成分分析(PCA-L1)算法、非负矩阵分解(NMF)算法、局部保持投影(LPP)算法和LIRPCA算法相比,所提模型在原始图像数据集上的识别率分别最高提升了8.80%、7.76%、20.37%、4.72%和4.61%,在遮挡图像数据集上的识别率分别最高提升了30.79%、30.73%、36.02%、19.65%和17.31%。可见,所提模型提高了算法的识别性能,降低了模型复杂度,明显优于对比算法。