Остання редакція: 2026-06-18
Анотація
У роботі запропоновано гібридну архітектуру системи виявлення та аналізу аномалій у фінансових даних на основі інтеграцій методів машинного навчання. Розглянуто чотири класи підходів, критерії їх порівняння та логіка формування загального конвеєра, який поєднує в собі Isolation Forest, LSTM Autoencoder, DBSCAN та нечітку експертну систему ANFIS з механізмом перевірки аналітика.
A MULTI-COMPONENT SYSTEM FOR DETECTING AND ANALYZING ANOMALIES IN FINANCIAL REPORTS BASED ON MACHINE LEARNING METHODS
Abstract:
The work substantiates the choice and describes the principles of integration of machine learning methods for building a hybrid system for detecting and analyzing anomalies in financial data. Four classes of approaches, their comparison criteria and the logic of forming a common pipeline, which combines Isolation Forest, LSTM Autoencoder, DBSCAN and the fuzzy ANFIS expert system with the analyst verification mechanism, are considered.
Ключові слова
Посилання
Association of Certified Fraud Examiners. Occupational Fraud 2024: A Report to the Nations [Електронний ресурс]. – Austin : ACFE, 2024. – 120 с. – Режим доступу: https://www.acfe.com/-/media/files/acfe/pdfs/rttn/2024/2024-report-to-the-nations.pdf.
Лановик А. С., Яровий А. А. Виявлення та аналіз аномалій у фінансових звітах на основі гібридного ансамблевого підходу Isolation Forest та LSTM Autoencoders / А. С. Лановик, А. А. Яровий : Матеріали LV Всеукраїнської науково-технічної конференції факультету інтелектуальних інформаційних технологій та автоматизації. – В. : ВНТУ, 2026. – [Електронний ресурс] – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/28322.
Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey. ACM Computing Surveys. – 2009. – Vol. 41, No. 3. – Article 15.
Malhotra P. et al. Long Short Term Memory Networks for Anomaly Detection in Time Series. Proceedings of ESANN 2015. – P. 89–94.
Ester M., Kriegel H.-P., Sander J., Xu X. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. – Portland, 1996. – P. 226 – 231.
Jang J.-S. R. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics. – 1993. – Vol. 23, No. 3. – P. 665–685.
Agrawal R., Srikant R. Fast Algorithms for Mining Association Rules. Proceedings of the 20th International Conference on Very Large Data Bases (VLDB'94). – San Francisco, 1994. – P. 487 – 499.
IBM Cognos Analytics. Forecasting and anomaly detection [Електронний ресурс]. – 2024. – Режим доступу: https://www.ibm.com/docs/en/cognos-analytics.
SAP. Finance NXT Anomaly Detection by Bosch Global Software Technologies [Електронний ресурс]. – Режим доступу: https://www.sap.com/products/technology-platform/partners/bosch-global-software-technologies-boscol-collaboration-app-for-sap-cloud-products.html#features-section.
Oracle. Anomaly Detection [Електронний ресурс]. – Режим доступу:https://docs.oracle.com/en/database/oracle/machine-learning/oml4sql/23/dmcon/anomaly-detection.html