使用CNN-LSTM-Attention模型优化Sparrow搜索优化的会计欺诈的增强检测

科学领域:

• 金融技术 金融技术
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 检测企业会计欺诈仍然是金融领域的一个重大挑战.
• 传统模式与金融欺诈的复杂性和动态性质作斗争.
• 现有的方法往往缺乏必要的准确性和稳定性,以有效识别欺诈行为.

研究的目的:

• 开发一个增强的人工智能驱动的框架,以改善企业会计欺诈的检测.
• 将卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 与注意力机制相结合.
• 使用Sparrow搜索算法 (SSA) 优化拟议的模型,以获得卓越的性能.

主要方法:

• 提出了一个混合深度学习模型,集成CNN和LSTM网络.
• 整合了注意力机制,以关注会计数据中的突出特征.
• 使用Sparrow搜索算法 (SSA) 进行超参数调整和模型优化.
• 评估模型的性能与传统的欺诈检测技术相比.

主要成果:

• 拟议的CNN-LSTM-Attention模型与SSA优化展示了卓越的性能.
• 在识别企业会计欺诈模式方面实现了更高的准确性和稳定性.
• 超越了神经网络,后勤回归和支持向量机器等传统方法的性能.
• 在欺诈检测的各种关键绩效指标中验证了有效性.

结论:

• 集成的CNN-LSTM-Attention框架,由SSA优化,为企业会计欺诈检测提供了强大的解决方案.
• 这种先进的方法显著提高了检测复杂和不断发展的欺诈活动的能力.
• 这些发现表明了未来研究人工智能驱动的金融安全和欺诈预防的有希望的方向.