研究由神经网络驱动的智能会计信息处理过程的自动化

科学领域:

• 会计技术 会计技术
• 金融领域的人工智能
• 深度学习应用程序深度学习应用程序

背景情况:

• 传统的会计系统与日益增加的交易复杂性和交易量作斗争.
• 现有系统中的基于规则的算法缺乏用于复杂分析的财务智能.
• 需要自动化,智能化系统来提高效率,减少会计上的错误.

研究的目的:

• 开发一个自学异常检测和风险分类系统,用于处理会计信息.
• 尽量减少运营商在会计数据分析中的参与.
• 提高自动化会计程序的准确性和效率.

主要方法:

• 实施一个深度学习系统,NeuroLedger-Net,利用神经网络.
• 使用长短期记忆 (LSTM) 网络来分析连续的交易行为.
• 使用自动编码器进行无监督的异常检测,以及注意力增强的多层感知器 (MLP) 进行风险预测.

主要成果:

• NeuroLedger-Net在预测风险事件方面达到96.3%的准确性,异常检测的错误阳性率低于3%.
• 该系统通过注意力机制显示了关键金融事件 (如支付,错误和登录) 的优先级改进.
• 与现有方法相比,F1在实时会计准确性和回忆方面的得分明显提高了12%以上.

结论:

• NeuroLedger-Net提供了一个可扩展和智能解决方案,用于自动化复杂的会计信息程序.
• 该系统提供了一致和可适应的自动化,改善了财务数据的整体处理.
• 深度学习,特别是NeuroLedger-Net,代表了智能会计自动化方面的重大进步.