論文の概要: Continual Learning for Unsupervised Anomaly Detection in Continuous
Auditing of Financial Accounting Data
- arxiv url: http://arxiv.org/abs/2112.13215v1
- Date: Sat, 25 Dec 2021 09:21:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-29 08:28:01.657513
- Title: Continual Learning for Unsupervised Anomaly Detection in Continuous
Auditing of Financial Accounting Data
- Title（参考訳）: 財務会計データの継続的監査における教師なし異常検出の継続学習
- Authors: Hamed Hemati, Marco Schreyer, Damian Borth
- Abstract要約: 国際監査基準では、財務諸表の根底にある会計ジャーナルの項目を直接評価する必要がある。
大量のジャーナルエントリデータを調べるために、ディープラーニングにインスパイアされた監査技術が出現した。
本研究は、両課題を克服し、ジャーナルエントリデータエクスペリエンスのストリームから学ぶように設計された連続的異常検出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.9659095632676094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: International audit standards require the direct assessment of a financial
statement's underlying accounting journal entries. Driven by advances in
artificial intelligence, deep-learning inspired audit techniques emerged to
examine vast quantities of journal entry data. However, in regular audits, most
of the proposed methods are applied to learn from a comparably stationary
journal entry population, e.g., of a financial quarter or year. Ignoring
situations where audit relevant distribution changes are not evident in the
training data or become incrementally available over time. In contrast, in
continuous auditing, deep-learning models are continually trained on a stream
of recorded journal entries, e.g., of the last hour. Resulting in situations
where previous knowledge interferes with new information and will be entirely
overwritten. This work proposes a continual anomaly detection framework to
overcome both challenges and designed to learn from a stream of journal entry
data experiences. The framework is evaluated based on deliberately designed
audit scenarios and two real-world datasets. Our experimental results provide
initial evidence that such a learning scheme offers the ability to reduce
false-positive alerts and false-negative decisions.
- Abstract（参考訳）: 国際監査基準では、財務諸表の基礎となる会計雑誌の項目を直接評価する必要がある。
人工知能の進歩によって、大量のジャーナルエントリデータを調べるためにディープラーニングにインスパイアされた監査技術が出現した。
しかし、定期的な監査では、提案手法のほとんどが、例えば財務四半期や年度の定期刊行物から学ぶために適用される。
トレーニングデータに監査関連ディストリビューションの変更が明らかでない、あるいは時間とともに段階的に利用可能になる状況の無視。
対照的に、継続的監査では、ディープラーニングモデルは、例えば前時間の記録されたジャーナルエントリのストリームで継続的に訓練される。
以前の知識が新しい情報に干渉し、完全に上書きされる状況における結果。
本研究は、両課題を克服し、ジャーナルエントリデータエクスペリエンスのストリームから学ぶように設計された連続的異常検出フレームワークを提案する。
このフレームワークは、意図的に設計された監査シナリオと2つの実世界のデータセットに基づいて評価される。
実験結果から,このような学習手法が偽陽性の警告と偽陰性判定を低減できることを示す。
関連論文リスト
- Auditing for Bias in Ad Delivery Using Inferred Demographic Attributes [50.37313459134418]
広告配信のブラックボックス監査において,予測誤差が偏見の監査に与える影響について検討した。
本稿では,広告配信アルゴリズムのスキュー評価において,推測誤差を軽減する手法を提案する。
論文 参考訳（メタデータ） (2024-10-30T18:57:03Z) - Historical Test-time Prompt Tuning for Vision Foundation Models [99.96912440427192]
HisTPTは、学習したテストサンプルの有用な知識を記憶する、履歴的テストタイムプロンプトチューニング技術である。
HisTPTは、異なる視覚認識タスクを処理しながら、一貫した優れたプロンプトチューニング性能を達成する。
論文 参考訳（メタデータ） (2024-10-27T06:03:15Z) - Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳（メタデータ） (2024-06-05T20:19:09Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Federated Continual Learning to Detect Accounting Anomalies in Financial
Auditing [1.2205797997133396]
本稿では,分散クライアントから監査モデルを継続的に学習できるフェデレーション型継続的学習フレームワークを提案する。
組織活動の共通シナリオにおける会計異常を検知するフレームワークの能力を評価する。
論文 参考訳（メタデータ） (2022-10-26T21:33:08Z) - RESHAPE: Explaining Accounting Anomalies in Financial Statement Audits
by enhancing SHapley Additive exPlanations [1.3333957453318743]
本稿では,集約属性レベルのモデル出力を説明するRESHAPEを提案する。
以上の結果から,RESHAPEは最先端のベースラインと比較して多目的に説明できるという実証的証拠が得られた。
金融監査における非教師なしDL技術導入の次のステップとして,このような属性レベルの説明を想定する。
論文 参考訳（メタデータ） (2022-09-19T16:23:43Z) - Federated and Privacy-Preserving Learning of Accounting Data in
Financial Statement Audits [1.4986031916712106]
本稿では,複数のクライアントの関連会計データを監査する上で,DLモデルを訓練するためのフェデレートラーニングフレームワークを提案する。
都市給付の実際の3つのデータセットにおける会計異常を検出するためのアプローチを評価する。
論文 参考訳（メタデータ） (2022-08-26T15:09:18Z) - LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak
Supervision [63.08516384181491]
専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。
本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。
我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
論文 参考訳（メタデータ） (2021-11-02T15:16:08Z) - Multi-view Contrastive Self-Supervised Learning of Accounting Data
Representations for Downstream Audit Tasks [1.9659095632676094]
国際監査基準では、財務諸表の根底にある会計取引を直接評価する必要がある。
ディープラーニングにインスパイアされた監査技術は、大量のジャーナルエントリデータを監査する分野に現れている。
本研究では,監査タスク不変な会計データ表現の学習を目的とした,自己指導型自己学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-23T08:16:31Z) - Robust and Transferable Anomaly Detection in Log Data using Pre-Trained
Language Models [59.04636530383049]
クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。
システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-23T09:17:05Z) - Learning Sampling in Financial Statement Audits using Vector Quantised
Autoencoder Neural Networks [1.2205797997133396]
本稿では,Vector Quantized-Variational Autoencoder (VQ-VAE) ニューラルネットワークの応用を提案する。
実世界の2つの決済データセットに基づいて、そのようなニューラルネットワークが会計データの定量化表現を学習できることを実証する。
論文 参考訳（メタデータ） (2020-08-06T09:02:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。