論文の概要: Federated and Privacy-Preserving Learning of Accounting Data in
Financial Statement Audits
- arxiv url: http://arxiv.org/abs/2208.12708v1
- Date: Fri, 26 Aug 2022 15:09:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 13:39:55.883329
- Title: Federated and Privacy-Preserving Learning of Accounting Data in
Financial Statement Audits
- Title（参考訳）: 財務会計監査における会計データのフェデレーションとプライバシ保護
- Authors: Marco Schreyer, Timur Sattarov, Damian Borth
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.4986031916712106
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The ongoing 'digital transformation' fundamentally changes audit evidence's
nature, recording, and volume. Nowadays, the International Standards on
Auditing (ISA) requires auditors to examine vast volumes of a financial
statement's underlying digital accounting records. As a result, audit firms
also 'digitize' their analytical capabilities and invest in Deep Learning (DL),
a successful sub-discipline of Machine Learning. The application of DL offers
the ability to learn specialized audit models from data of multiple clients,
e.g., organizations operating in the same industry or jurisdiction. In general,
regulations require auditors to adhere to strict data confidentiality measures.
At the same time, recent intriguing discoveries showed that large-scale DL
models are vulnerable to leaking sensitive training data information. Today, it
often remains unclear how audit firms can apply DL models while complying with
data protection regulations. In this work, we propose a Federated Learning
framework to train DL models on auditing relevant accounting data of multiple
clients. The framework encompasses Differential Privacy and Split Learning
capabilities to mitigate data confidentiality risks at model inference. We
evaluate our approach to detect accounting anomalies in three real-world
datasets of city payments. Our results provide empirical evidence that auditors
can benefit from DL models that accumulate knowledge from multiple sources of
proprietary client data.
- Abstract（参考訳）: 進行中の「デジタルトランスフォーメーション」は、監査証拠の性質、記録、ボリュームを根本的に変える。
今日では、国際監査基準(ISA)は、監査人が財務諸表の基盤となるデジタル会計記録の膨大な量を調べることを要求している。
その結果、監査会社は分析能力を「デジタル化」し、機械学習のサブ分野であるディープラーニング(DL)に投資した。
dlの応用は、例えば同じ業界や管轄区域で活動している組織など、複数のクライアントのデータから専門的な監査モデルを学習する機能を提供する。
一般に、規制は監査人に厳格なデータ機密性措置を遵守するよう要求する。
同時に、近年の興味深い発見は、大規模DLモデルが機密データ情報の漏洩に弱いことを示している。
今日では、監査会社がデータ保護規則に準拠しながらdlモデルをどのように適用できるかは不明のままである。
本研究では,複数のクライアントの関連会計データを監査するdlモデルをトレーニングするためのフェデレーション学習フレームワークを提案する。
このフレームワークは差分プライバシーと分割学習機能を包含し、モデル推論におけるデータの機密性リスクを軽減する。
都市支払いの3つの実世界のデータセットにおける会計異常の検出手法を評価した。
この結果から,複数のクライアントデータソースからの知識を蓄積するDLモデルの恩恵を受けることができるという実証的証拠が得られた。
関連論文リスト
- 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) - Trustless Audits without Revealing Data or Models [49.23322187919369]
モデルプロバイダが(アーキテクチャではなく)モデルウェイトとデータシークレットを維持しながら、他のパーティがモデルとデータプロパティを信頼性のない監査を行うことが可能であることを示す。
私たちはZkAuditと呼ばれるプロトコルを設計し、モデルプロバイダがデータセットとモデルの重みの暗号的コミットメントを公開します。
論文 参考訳（メタデータ） (2024-04-06T04:43:06Z) - Privacy-Preserving Financial Anomaly Detection via Federated Learning & Multi-Party Computation [17.314619091307343]
本稿では、金融機関が高精度な異常検出モデルを共同で訓練できるプライバシー保護フレームワークについて述べる。
当社のソリューションは,顧客データのプライバシを保ちながら,高精度な異常検出モデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2023-10-06T19:16:41Z) - FedSOV: Federated Model Secure Ownership Verification with Unforgeable
Signature [60.99054146321459]
フェデレートラーニングにより、複数のパーティがプライベートデータを公開せずにグローバルモデルを学ぶことができる。
本稿では,FedSOVという暗号署名に基づくフェデレート学習モデルのオーナシップ検証手法を提案する。
論文 参考訳（メタデータ） (2023-05-10T12:10:02Z) - Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-21T09:03:18Z) - Tight Auditing of Differentially Private Machine Learning [77.38590306275877]
プライベート機械学習では、既存の監査メカニズムは厳格である。
彼らは不確実な最悪の仮定の下でのみ厳密な見積もりを行う。
我々は、自然(逆向きではない)データセットの厳密なプライバシー推定を得られる改善された監査スキームを設計する。
論文 参考訳（メタデータ） (2023-02-15T21:40:33Z) - 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) - Continual Learning for Unsupervised Anomaly Detection in Continuous
Auditing of Financial Accounting Data [1.9659095632676094]
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。
論文 参考訳（メタデータ） (2021-12-25T09:21:14Z) - 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) - RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。
クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。
悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文 参考訳（メタデータ） (2021-07-07T15:42:49Z)
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。