skip to Main Content

کشف الگوی توپولوژیکی و استخراج ویژگی برای گزارشگری مالی متقلبانه

عنوان انگلیسی: Topological pattern discovery and feature extraction for fraudulent financial reporting
سال نشر: ۲۰۱۴
نویسنده: Shin-Ying Huang,Rua-Huan Tsaih,Fang Yu
تعداد صفحه فارسی: ۲۶ – تعداد صفحه انگلیسی: ۱۳
دانشگاه: Research Center for Information Technology Innovation, Academia Sinica, Taipei 11529, Taiwan b Department of Management Information Systems, National Chengchi University, Taipei 11605, Taiwan
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی

چکیده

گزارشگری مالی متقلبانه (FFR) شامل تلاش آگاهانه برای گمراه کردن دیگران در مورد وضعیت مالی یک کسب و کار است. این معمولاً شامل اقدامات عمدی برای فریب تنظیم کننده ها ، سرمایه گذاران یا عموم مردم است که مانع از رویکردهای منظم در تشخیص موثر می شود. این چالش ناشی از متمایز کردن نمونه های دوگانگی است که ویژگی های اصلی آنها در توزیع مشابه وجود دارد. این مطالعه پیشگام یک رویکرد جدید GHSOM دوگانه (رو به رشد نقشه خود-سازماندهی سلسله مراتبی) برای کشف الگوهای توپولوژیکی FFR ، دستیابی به تشخیص موثر FFR و استخراج ویژگی ها است. به طور خاص ، رویکرد پیشنهادی با استفاده از نمونه های متقلبانه و نمونه های غیر متقلبانه برای آموزش یک جفت GHSOM دوگانه تحت همان پارامترهای آموزشی و بررسی فرضیه های روابط همتای در بین زیر گروه های خود با بهره گیری از ماهیت یادگیری بدون نظارت و رو به رشد ساختارهای سلسله مراتبی از GHSOM ها. این مطالعه بیشتر (۱) یک قانون طبقه بندی مؤثر برای تشخیص FFR بر اساس الگوهای توپولوژیکی و (۲) یک مکانیسم استخراج ویژگی متخصص و رقابتی برای گرفتن ویژگی های برجسته رفتارهای متقلبانه ارائه می دهد. ن

Abstract

Fraudulent financial reporting (FFR) involves conscious efforts to mislead others regarding the financial condition of a business. It usually consists of deliberate actions to deceive regulators, investors or the general public that also hinder systematic approaches from effective detection. The challenge comes from distinguishing dichotomous samples that have their major attributes falling in the same distribution. This study pioneers a novel dual GHSOM (Growing Hierarchical Self-Organizing Map) approach to discover the topological patterns of FFR, achieving effective FFR detection and feature extraction. Specifically, the proposed approach uses fraudulent samples and non-fraudulent samples to train a pair of dual GHSOMs under the same training parameters and examines the hypotheses for counterpart relationships among their subgroups taking advantage of unsupervised learning nature and growing hierarchical structures from GHSOMs. This study further presents (1) an effective classific
امتیاز شما:
(No Ratings Yet)
Back To Top