利用对抗性方法检测潜在空间中的会计异常

在《第十三届ARI国际会议记录》中社会情报和统计。249–256.[15] I.Goodfello、Y.Bengio和A.Courville。2016年，深度学习。麻省理工学院出版社。[16] 网络。神经信息处理系统的进展。2672–2680.[17]16, 2 (2002), 125–136.[18] 神经网络数据的一致性。《科学》3135786（2006），504-507。[19] 与财务报表审计中的舞弊有关。国际会计联合会（IFAC）。155–197页。[20] 会计师联合会（IFAC）。441–457页。[21]Bracher、Tobias Raub和Ulrich Flegel。2010年，使用场景匹配在ERP系统中进行欺诈检测。IFIP信息和通信技术进展330（2010），112–123。[22]Mieke Jans、Nadine Lybaert和Koen Vanhoof。2010年，《内部欺诈风险降低：数据挖掘案例研究结果》。《国际会计信息系统杂志》11，1（2010），17–41。[23]Mieke Jans、Jan Martijn Van Der Werf、Nadine Lybaert和Koen Vanhoof。2011年，用于缓解内部交易欺诈的业务流程挖掘应用程序。应用专家系统38，10（2011），13351–13359。【24】信用卡交易中的操作。2017年IEEE第四届基于知识的工程与创新国际会议（KBEI）。IEEE，0630–0633。【25】ERP系统中的用户行为。第十届亚太会议记录c工业工程和管理系统会议。2541–2552.【26】ERP系统中欺诈检测的行动挖掘。工业工程与管理系统9，2（2010），141–156。[27]Diederik P Kingma和Jimmy Ba。2014。Adam：随机优化方法。arXiv预印本arXiv:1412.6980（2014）。[28]Yann LeCun、Yoshua Bengio和Geo雷伊·辛顿。2015年，深度学习。《自然》5217553（2015），436。[29]李崇轩、徐坤、朱军、张波。2017年，三重生成对抗网。

JAMA内科177，3（2017年3月），326。arXiv:1703.02291【30】E.A.Lopez Rojas、A.Elmir和S.Axelsson。2016年PaySim：A用于欺诈检测的金融移动货币模拟器。在第28届欧洲建模与仿真研讨会EMSS上，塞浦路斯拉纳卡。[31]弗雷。2015年，对抗式自动编码器。arXiv（2015），1-10。arXiv:1511.05644http://arxiv.org/abs/1511.05644[32]Shahar Markovitch和Paul Willmott。2014年，加快业务流程数字化。麦肯锡公司（2014），第1-5页。【33】玛丽·麦格劳恩、斯蒂芬·贝、马库斯·G·Mg·安德勒、大卫·M·施泰尔、安克里斯托斯·法洛索斯。SNARE：图形标签和数据挖掘的链接分析系统（2009），1265–1273。【34】Adam Paszke、Sam Gross、Soumith Chintala、Gregory Chanan、Edward Yang，2017年。自动diPyTorch中的erentiation。(2017).[35]出口和反洗钱。2016年第15届IEEE机器学习和应用国际会议记录，ICMLA 2016。954–960.【36】国家信息系统与通信设计会议，2014年5月16日至17日，葡萄牙里斯本（2014），138-142。【37】新颖性检测审查。信号处理99（2014），215–249。[38]Apapan Pumsirrat和Liu Yan。2018年。使用基于自动编码器和受限boltzmann机器的深度学习进行信用卡欺诈检测。《国际高等计算机科学与应用杂志》9，1（2018），18–25。【39】普华永道。2018年，《2018年全球经济犯罪调查》（Global Economic Crime Survey2018）将欺诈从阴影中拉出来。普华永道会计师事务所。https://www.pwc.com/gx/en/forensics/global-economic-crime-and-fraud-survey-2018.pdf【40】无监督机器学习数据。圣地亚哥拉霍亚认知科学研究所。【42】SAP。2019年SAP Global Corporate Aairs，公司简介2019。

https://www.sap.com/documents/2017/04/4666ecdd-b67c-0010-82c7-eda71af511fa.html【43】马可·施雷耶、帖木儿·萨塔洛夫、达米安·博思、安德烈亚斯·登格尔和伯恩德雷默。2017年，使用deepautoencoder网络检测大规模会计数据中的异常。arXiv预印本arXiv:1709.05254（2017）。【44】Suwardy Seow，Poh Sun；孙，加里；Themin。2016年，《数据挖掘杂志》第3期，第8期（2016），第501–514页。[45]汤米。辛格尔顿和亚伦·J·辛格尔顿。2006年，欺诈审计和取证。约翰·威利父子公司。【46】汤姆·斯威尔斯、汤姆·赫斯基和杰西·克里特。2018年，信用卡欺诈自动编码。(2018).【47】罗伊·韦奇、詹姆斯·马克斯·坎特、圣地亚哥·莫拉利·鲁比奥、塞尔吉奥·伊格莱西亚斯·佩雷斯和卡利安·维拉马查内尼。2017年，解决欺诈预测中的“误报”问题。arXiv预印本arXiv:1710.07709（2017）。约瑟夫·T·威尔斯。2017，《企业欺诈手册：预防和检测》。约翰·威利父子公司。【49】徐冰、王乃彦、陈天齐、穆力。2015年，CTI实证评估卷积网络中的ed激活。ICML深度学习研讨会（2015），1-5。arXiv:1505.00853【50】欺诈检测对抗网。arXiv预印本arXiv:1803.01798（2018）。【51】郑宇军、周晓涵、魏国胜、俞雪、陈胜勇。2018年，收款银行基于生成对抗性网络的电信欺诈检测。

神经网络102（2018），78–86。KDD-ADF\'1192019年8月5日，安克雷奇，阿拉斯加州Schreyer和Saarov等人。附录实验结果-数据集A图7：在对数据集A中包含的日记账分录的AAE潜在空间表示进行10000个时代的训练并施加τ=高斯（左）的混合后，学习了数据集A中包含的日记账分录的AAE潜在空间表示，α=。在每个日志中，对应的模式uτ（中心），异常得分分布（粗体线denes中位数、上下边界dene的。和分布的分位数），通过渐进式培训获得每个日记条目类（右）。图8：在对数据集A中的日记账分录进行15000个时代的AAE训练并施加τ=高斯（左）的混合后，学习了数据集A中日记账分录的AAE潜在空间表示，得到的异常分数为α=。在每个日志中，对应的模式uτ（中心），异常得分分布（粗体线denes中位数、上下边界dene的。和分布的分位数），通过渐进式培训获得每个日记条目类（右）。

可以观察到，基于模式τ=（modeτ=）的渐进训练获得的异常分数，在对AAE进行15000次训练后，模式稳定性并没有完全达到。2019年8月5日，阿拉斯加州安克雷奇，使用对抗式自动编码神经网络KDD-ADF’19检测潜在空间中的会计异常实验结果-数据集B图9：在对数据集B中包含的日记账条目进行5000个时代的AAE训练并施加τ=、和高斯（从上到下）（左）的混合后，学习AAE潜在空间表示，α=。在每个日记账分录的XIND对应的modeuτ（中心）中，异常得分分布（粗体线denes主题，上限和下限dene的。和分布的分位数），通过渐进式培训获得每个日记条目类（右）。