提高财务报表欺诈检测能力：一种基于大型语言模型的处理方法

《ACM Transactions on Internet Technology》：Improving Financial Statement Fraud Detection: A Large Language Model Processing Approach

财务欺诈检测中提出基于时间序列的表示学习方法，通过分析MD&A文档的段落级变化（新增/删除/匹配），构建多变量轨迹特征，并与传统模型及最新时序预训练模型对比。实验表明该方法在24年财报数据上显著提升11种机器学习模型的欺诈识别性能，开创了财务报告特征工程的新范式。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

随着互联网人工智能技术的普及，金融欺诈成为一个紧迫的问题，尤其是在机器学习的背景下。深度学习和自然语言处理等技术提供了有效的工具，可以在财务报表的指导下检测欺诈行为，提高数据分析的效率和准确性，从而帮助确保财务安全。在这项研究中，我们提出了一种复杂的表示学习方法，通过跟踪公司管理层讨论与分析（MD&A）文件随时间的详细变化来检测财务报表欺诈。与传统的词频方法不同，我们根据段落之间的相似性对连续披露的段落进行对齐，并将它们分为三类：新增、删除和匹配。接下来，我们基于与欺诈相关的词类别创建多变量变化轨迹表示。最后，我们使用这些词级变化轨迹来设计一个欺诈检测模型，并将其与几种传统模型以及最新的时间序列基础模型进行比较。在1995年至2019年的24年财务报告数据上的实验表明，我们的表示学习方法显著提高了11种不同机器学习模型的财务报表欺诈检测性能，始终优于传统的词频方法。我们的方法为财务报表欺诈检测的特征工程开辟了新的范式。我们的代码可以在https://github.com/LittelStudent/Financial-Statement-Fraud-Detection-ParaEmb-FraudW2V找到。

人工智能摘要

人工智能生成的摘要（实验性）

此摘要是使用自动化工具生成的，未由文章作者撰写或审核。它旨在支持发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。