論文の概要: RESHAPE: Explaining Accounting Anomalies in Financial Statement Audits
by enhancing SHapley Additive exPlanations
- arxiv url: http://arxiv.org/abs/2209.09157v1
- Date: Mon, 19 Sep 2022 16:23:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 20:23:10.669237
- Title: RESHAPE: Explaining Accounting Anomalies in Financial Statement Audits
by enhancing SHapley Additive exPlanations
- Title(参考訳): REHAPE:Shapley Additive ExPlanationsの強化による財務会計監査における会計異常の説明
- Authors: Ricardo M\"uller, Marco Schreyer, Timur Sattarov, Damian Borth
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.3333957453318743
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Detecting accounting anomalies is a recurrent challenge in financial
statement audits. Recently, novel methods derived from Deep-Learning (DL) have
been proposed to audit the large volumes of a statement's underlying accounting
records. However, due to their vast number of parameters, such models exhibit
the drawback of being inherently opaque. At the same time, the concealing of a
model's inner workings often hinders its real-world application. This
observation holds particularly true in financial audits since auditors must
reasonably explain and justify their audit decisions. Nowadays, various
Explainable AI (XAI) techniques have been proposed to address this challenge,
e.g., SHapley Additive exPlanations (SHAP). However, in unsupervised DL as
often applied in financial audits, these methods explain the model output at
the level of encoded variables. As a result, the explanations of Autoencoder
Neural Networks (AENNs) are often hard to comprehend by human auditors. To
mitigate this drawback, we propose (RESHAPE), which explains the model output
on an aggregated attribute-level. In addition, we introduce an evaluation
framework to compare the versatility of XAI methods in auditing. Our
experimental results show empirical evidence that RESHAPE results in versatile
explanations compared to state-of-the-art baselines. We envision such
attribute-level explanations as a necessary next step in the adoption of
unsupervised DL techniques in financial auditing.
- Abstract(参考訳): 会計異常の検出は、財務諸表監査における繰り返しの課題である。
近年、基礎となる会計記録の大量の監査のために、ディープラーニング(dl)から派生した新しい手法が提案されている。
しかし、その膨大な数のパラメータにより、そのようなモデルは本質的に不透明であるという欠点を示す。
同時に、モデルの内部動作を隠蔽することは、しばしば実際のアプリケーションを妨げる。
この観察は、監査人が監査決定を合理的に説明し正当化する必要があるため、金融監査において特に当てはまる。
今日では、SHAP(SHapley Additive exPlanations)など、さまざまな説明可能なAI(XAI)技術がこの課題に対処するために提案されている。
しかし、財務監査にしばしば適用される教師なしdlでは、これらの手法はエンコードされた変数のレベルでのモデル出力を説明する。
その結果、オートエンコーダニューラルネットワーク(AENN)の説明は、人間の監査者によって理解されにくいことが多い。
この欠点を軽減するために,集約された属性レベルのモデル出力を説明するRESHAPEを提案する。
また,監査におけるXAI手法の汎用性を比較するための評価フレームワークを提案する。
実験結果から,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。
関連論文リスト
- Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。
UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。
UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
論文 参考訳(メタデータ) (2024-02-26T20:09:44Z) - Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。
このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。
本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
論文 参考訳(メタデータ) (2024-02-07T21:58:40Z) - From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。
本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。
実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
論文 参考訳(メタデータ) (2023-10-22T16:07:06Z) - 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) - Relational Action Bases: Formalization, Effective Safety Verification,
and Invariants (Extended Version) [67.99023219822564]
我々はリレーショナルアクションベース(RAB)の一般的な枠組みを紹介する。
RABは両方の制限を解除することで既存のモデルを一般化する。
データ対応ビジネスプロセスのベンチマークにおいて、このアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-08-12T17:03:50Z) - XAudit : A Theoretical Look at Auditing with Explanations [29.55309950026882]
この研究は、監査における説明の役割を形式化し、モデル説明が監査に役立つかどうかを調査する。
具体的には、線形分類器と決定木を検査し、特徴感度を評価するための説明に基づくアルゴリズムを提案する。
以上の結果から,非現実的説明は監査に極めて有用であることが示唆された。
論文 参考訳(メタデータ) (2022-06-09T19:19:58Z) - 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) - A new interpretable unsupervised anomaly detection method based on
residual explanation [47.187609203210705]
本稿では,大規模システムにおけるAEベースのADの制限に対処する新しい解釈可能性手法であるRXPを提案する。
実装の単純さ、計算コストの低さ、決定論的振る舞いが特徴である。
実鉄道路線のデータを用いた実験において,提案手法はSHAPよりも優れた性能を示した。
論文 参考訳(メタデータ) (2021-03-14T15:35:45Z) - 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) - Foreseeing the Benefits of Incidental Supervision [83.08441990812636]
本稿では,実験を行なわずに,特定の目標タスクに対して,様々な種類の偶発信号の利点を定量化できるかどうかを考察する。
本稿では,PABI(PAC-Bayesian motivated informativeness measure)を提案する。
論文 参考訳(メタデータ) (2020-06-09T20:59:42Z)
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。