論文の概要: Applied Machine Learning to Anomaly Detection in Enterprise Purchase Processes

• arxiv url: http://arxiv.org/abs/2405.14754v1
• Date: Thu, 23 May 2024 16:21:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 13:07:39.423725
• Title: Applied Machine Learning to Anomaly Detection in Enterprise Purchase Processes
• Title（参考訳）: 企業買収プロセスにおける異常検出への機械学習の適用
• Authors: A. Herreros-Martínez, R. Magdalena-Benedicto, J. Vila-Francés, A. J. Serrano-López, S. Pérez-Díaz,
• Abstract要約: 本研究は、実データから2つの大きな購入データセットから検出された事例を優先的に調査する手法を提案する。 目的は、企業の管理努力の有効性に寄与し、その実施実績を高めることである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In a context of a continuous digitalisation of processes, organisations must deal with the challenge of detecting anomalies that can reveal suspicious activities upon an increasing volume of data. To pursue this goal, audit engagements are carried out regularly, and internal auditors and purchase specialists are constantly looking for new methods to automate these processes. This work proposes a methodology to prioritise the investigation of the cases detected in two large purchase datasets from real data. The goal is to contribute to the effectiveness of the companies' control efforts and to increase the performance of carrying out such tasks. A comprehensive Exploratory Data Analysis is carried out before using unsupervised Machine Learning techniques addressed to detect anomalies. A univariate approach has been applied through the z-Score index and the DBSCAN algorithm, while a multivariate analysis is implemented with the k-Means and Isolation Forest algorithms, and the Silhouette index, resulting in each method having a transaction candidates' proposal to be reviewed. An ensemble prioritisation of the candidates is provided jointly with a proposal of explicability methods (LIME, Shapley, SHAP) to help the company specialists in their understanding.
• Abstract（参考訳）: プロセスの継続的なデジタル化という文脈において、組織はデータ量の増加に伴って不審な活動を明らかにするような異常を検出するという課題に対処しなければなりません。 この目標を達成するため、定期的に監査エンゲージメントが行われ、内部監査員や購入スペシャリストは、これらのプロセスを自動化するための新しい手法を常に探している。 本研究は、実データから2つの大きな購入データセットから検出された事例を優先的に調査する手法を提案する。 目的は、企業の管理努力の有効性に寄与し、その実施実績を高めることである。 異常検出に対処する教師なし機械学習技術を使用する前に、包括的探索データ分析を行う。 z-ScoreインデックスとDBSCANアルゴリズムを用いて一変量法を適用し、k-Means and isolated ForestアルゴリズムとSilhouetteインデックスを用いて多変量解析を行い、トランザクション候補の提案をレビューする。 候補者のアンサンブル優先順位付けは、企業専門家の理解を支援するための説明可能性手法(LIME, Shapley, SHAP)の提案と共同で行われる。

関連論文リスト

• WISE: Unraveling Business Process Metrics with Domain Knowledge [0.0]
  複雑な産業プロセスの異常は、しばしばイベントデータの高変動性と複雑さによって隠蔽される。 本稿では、ドメイン知識、プロセスマイニング、機械学習の統合により、ビジネスプロセスメトリクスを分析する新しい手法WISEを紹介する。 WISEはビジネスプロセス分析における自動化を強化し、望ましいプロセスフローからの逸脱を効果的に検出する。
  論文  参考訳（メタデータ） (2024-10-06T07:57:08Z)
• How Industry Tackles Anomalies during Runtime: Approaches and Key Monitoring Parameters [4.041882008624403]
  本稿では,様々な産業分野における異常や現在の異常検出手法を理解することを目的とする。 また、実行時の監視データを通じて異常を特定するのに必要なパラメータを特定することも目標としている。
  論文  参考訳（メタデータ） (2024-08-14T21:10:15Z)
• Anomaly Detection via Learning-Based Sequential Controlled Sensing [25.282033825977827]
  本稿では,学習に基づく制御センシングによるバイナリプロセス間の異常検出の問題に対処する。 異常を識別するために、意思決定エージェントは、各時点でプロセスのサブセットを観察することができる。 我々の目標は、どの過程を観察するかを動的に決定するシーケンシャルな選択ポリシーを設計することである。
  論文  参考訳（メタデータ） (2023-11-30T07:49:33Z)
• Weakly Supervised Anomaly Detection: A Survey [75.26180038443462]
  異常検出(AD)は、さまざまなアプリケーションによる機械学習において重要なタスクである。 弱教師付き異常検出法(WSAD)の総合的な調査を行った。 各設定に対して、正式な定義、鍵アルゴリズム、潜在的な将来の方向性を提供する。
  論文  参考訳（メタデータ） (2023-02-09T10:27:21Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• Scaling up Search Engine Audits: Practical Insights for Algorithm Auditing [68.8204255655161]
  異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。 複数のデータ収集にまたがる研究インフラの性能を実証する。 仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
  論文  参考訳（メタデータ） (2021-06-10T15:49:58Z)
• Approaches to Fraud Detection on Credit Card Transactions Using Artificial Intelligence Methods [0.0]
  本稿では,人工知能と機械学習技術を用いた不正検出の最先端のアプローチを要約する。 要約しながら、不均衡なデータセット、リアルタイム作業シナリオ、機能エンジニアリングの課題など、一般的な問題を分類します。
  論文  参考訳（メタデータ） (2020-07-29T06:18:57Z)
• Sequential Transfer in Reinforcement Learning with a Generative Model [48.40219742217783]
  本稿では,従来の課題から知識を移譲することで,新たな課題を学習する際のサンプルの複雑さを軽減する方法について述べる。 この種の事前知識を使用することのメリットを明確に示すために,PAC境界のサンプル複雑性を導出する。 簡単なシミュレートされた領域における理論的な発見を実証的に検証する。
  論文  参考訳（メタデータ） (2020-07-01T19:53:35Z)

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。