面向财务审计的数据异常侦测算法研究

摘要

为更好地推进审计数字化，实现财务审计的数据异常侦测任务，设计了采用独立研究的改进注意力机制CMA(channel mixed attention mechanism)的CMA-Resnet18模型，提出一种基于数图转换思想的财务审计侦测数据集构建方法。使用CMA网络对样本各通道进行全局加权，对样本不同通道进行融合特征加权，实现对样本数据的全局“注意力”数据增强。通过Resnet18模型(residual network18)提取样本数据的局部特征。结果表明，在财务审计异常侦测数据集上，经典分类网络的评估结果都高于90%,验证了数据集构建方法的有效性；CMA-Resnet18模型的F1值为94.31%,相比Resnet18提高了1.49%,证明了CMA-Resnet18模型能够更好的实现侦测任务；通过经典分类网络及其CMA变种网络在Cifar10公开数据集上进行实验，表明CMA变种网络的准确率普遍高于其原始网络，证明CMA模块的有效性和泛化性。

关键词

审计数字化 / 数图转换 / 数据集构建 / 改进注意力机制 / 残差网络

基金资助

北京市社会科学基金规划项目(21GLA007)