作者： You Wu（湘南学院，中国郴州）、Changzhao Xiang（湘南学院，中国郴州）
发表信息： 本文发表于 *2nd International Symposium on Integrated Circuit Design and Integrated Systems (ICDIS 2025)*，会议于2025年9月26日至28日在新加坡举行，由ACM出版，DOI为 https://doi.org/10.1145⁄3772326.3774732。
企业财务异常检测在当今复杂、多源的经济环境中面临多源异构性、弱标注和时变性并存的挑战。传统的基于规则或静态指标的审计方法难以刻画高维非线性风险特征。Ashtiani 和 Raahemi 的系统综述表明，机器学习与数据挖掘已经形成了识别财务欺诈的方法论框架，但仍然受限于数据稀疏性和实际业务中的可迁移性不足。在交易级建模方面，卷积神经网络可以从大规模数据流中提取局部异常模式；在合规角度，大数据驱动的异常检测系统能够支持风控与合规的联动评估，但依赖稳健的数据治理和可扩展的架构。财务指标体系构建直接影响模型的可分离性与鲁棒性，而基于元启发式与数据挖掘的特征选择方法可以有效降噪并提升高维场景下的效率。
然而既有研究仍存在三个明显不足：第一，单一模态或单一学习路径难以同时覆盖结构化账户、时间序列波动和交易关系网络中的复合型异常；第二，在弱标注条件下，模型阈值与审计成本等资源约束缺乏统一的成本敏感优化；第三，在流批一体化、特征时间窗口防泄漏以及在线自适应等工程部署层面支持不足。本研究的目标正是构建一个“结构压缩—时序残差—图结构学习”的协同多模态检测系统，以解决集成电路（Integrated Circuit, IC）企业中高频交易、多实体合同路径和跨期发票匹配等场景下的财务异常识别难题。
本研究的整体框架采用统一的流批一体化架构，包含“数据治理—特征计算—多模态建模—异常评分—审计联动”五个核心环节。离线层负责跨实体聚合与历史会计期间的特征整合，实时层通过消息队列接入新的凭证流，执行规则验证并更新增量特征。特征存储以时间窗口为主键防止信息泄漏，模型服务采用灰度部署和多版本共存机制，告警编排则将异常分数与审计工作量约束耦合以生成验证队列。架构核心在于将会计分录、公司间关系和外部信号统一为可计算的特征图，并通过成本敏感的分数融合函数将多个检测器的输出映射为可操作的告警优先级。
数据采集模块统一接入四类数据：结构化总账和日记账分录、半结构化发票图像和账单信息、非结构化审批记录和公共舆情文本，以及关系型合同数据、对手方信息和账户行为路径数据。每个数据源通过可配置的 ETL（Extract, Transform, Load）框架映射到标准化的中间数据模型，映射规则包括主键规范化、时间戳对齐、货币标准化和单位转换。数据集成过程同时记录血缘信息并支持增量刷新机制。
预处理与特征工程流水线设计为“时间窗口对齐—质量约束—特征分层”的可复用流程。原始分录、银行对账单和合同事件首先基于事件时间戳使用滑动窗口 [t−w, t] 进行对齐，完成货币标准化、主键去重和缩尾处理（Winsorization）。缺失值按照“业务强制字段→同主体历史数据→同组分布”的层级进行分层填充。特征服务围绕事件粒度生成四类可复用特征：时间序列统计量（滚动均值/波动率/季节性）、关系图度量（在“供应商—账户—科目”异构图上的度数、三角闭合率、异常路径长度）、文本语义特征（发票/备注嵌入和敏感词评分），以及对账一致性特征（分录、对账单和发票之间的匹配偏差）。数值特征采用基于中位数和 MAD（Median Absolute Deviation）的稳健标准化，文本与图特征进行温度缩放以与数值域对齐。
模型层采用“结构层+模态协同+异常分数集成”的策略架构，构建了包含全局异常检测、时序残差预测检测和图结构异常检测的多子模型体系。全局分布偏移通过无监督密度估计和投影重构方法从结构化数值分录和交易频率中提取，使用变分自编码器（Variational Autoencoder, VAE）构建低维潜在空间映射。异常判定通过重构误差与潜在密度的双重评分实现：重构误差定义为 ‖x − x̂‖₂²，同时估计潜在变量 z 的概率密度 p(z)，综合异常分数 S = u·L_recon + v·(−log p(z))，其中 u 和 v 为融合权重。隔离森林（Isolation Forest）作为辅助分支进行多模型集成学习。
时序分支采用“去趋势—多变量序列建模—概率残差评分”结构，使用多变量 Transformer/TCN 对现金流、账龄、票据数量及外部协变量进行多步预测，输出预测值 ŷ(t+1:δ) 和不确定性 f(t+1:t+δ)。异常检测基于概率残差而非标签：先计算观测值 y_t 与预测值 ŷ_t 之间的残差 r_t，结合模型提供的方差形成尺度不变分数 s_t = |r_t| / f_t。训练损失采用分位数损失（Pinball Loss）与对数似然的混合损失函数，保证分布尾部的稳定覆盖。输入通道与特征映射包括现金流序列、应收/应付账龄、发票出具/验证数量、账户余额与限额，以及外部宏观/日历变量，采样粒度从小时级到月度不等。
分数融合模块采用“加权融合+成本敏感阈值优化”策略。各检测器产生的异常分数经 z-score 标准化后，通过可学习权重向量 w={w₁, w₂, w₃} 进行加权融合，目标函数为最小化总业务成本 min_{w,g} J(w,g) = 2·c_fn·FN(w,g) + 2·c_fp·FP(w,g)，其中 c_fn 和 c_fp 分别表示假阴性和假阳性的业务成本，g 为触发阈值。训练阶段通过交叉验证样本迭代调整 w 和 g，部署阶段则采用滑动窗口重加权机制实现分布漂移下的动态自适应。
实验平台基于 Docker 容器的微服务部署架构，构建于包含两块 NVIDIA RTX A6000 GPU（每块 48GB 显存）、512GB 内存和128核 Intel Xeon Platinum CPU 的高性能节点集群上。模型训练和推理使用 PyTorch 2.0 框架，序列模型基于 Hugging Face Transformers 库构建，图学习模块使用 DGL 1.1，分数融合与阈值优化采用 Optuna 进行参数调优。系统采用 GPU/CPU 混合调度策略，整个工作流通过 Kafka 协调。
数据集选用了国内某大型制造企业连续24个月的真实财务数据，涵盖凭证主表、日记账分录、发票验证记录、银行对账单、对手方信息和外部信用数据六个模块，累计样本量达1270万条记录，覆盖870家客户、224家供应商和512个会计科目。滑动窗口策略定义了训练窗口 [t−w, t] 和预测窗口 [t+1, t+δ]，其中 w=90天，δ=7天，滑动增量为1天。异常标注主要来源于两类弱监督信号，具有“可追溯时间戳—主键—交易轨迹”的三方绑定结构。数据加载阶段统一执行主键匿名化、文本字段加密和时间戳扰动。
在真实审计标注数据上的实验对比了隔离森林（Isolation Forest）、局部异常因子（Local Outlier Factor, LOF）、自编码器（Autoencoder, AE）、LSTM 残差预测模型、VAE 概率密度模型（VAE + ProbDensity）以及最终集成模型（Fusion）的性能。评价指标包括 PR-AUC、Top-100 的 F1 分数、固定召回率80%下的假阳性率、PR-AUC 标准差和推理延迟。
实验结果表明，融合模型在多个评价指标上一致优于传统方法。融合策略取得了最高的 PR-AUC 值 0.618，相比自编码器的 0.544 实现最高 13.6% 的相对提升。在模拟审计资源约束的 Top-100 预测 F1 分数上，融合模型达到 0.357，显著超越传统无监督模型，凸显了其在优先排序高风险交易方面的实用价值。在固定召回率80%的条件下，融合方法取得了最低的假阳性率 30.3%，相比 LSTM 的 37.1% 和 LOF 的 45.2% 表现出更强的业务可接受性。虽然融合模型的推理延迟达到183ms，但仍处于 GPU 实时风控部署的可接受阈值内。图4的对比曲线显示，融合模型在不同阈值下保持了 Top-k 召回率与误报密度之间最有利的权衡。
本研究构建的基于多源经济数据的财务异常检测系统，通过引入结构化建模框架和多模态学习机制，实现了对异常模式的深度提取和风险告警的精细化控制。系统在集成电路企业财务异常检测中展现出显著适用性，特别是在识别重复报销、合同—凭证流不匹配和异常资金路径等违规行为方面。由于 IC 制造业具有多层采购结构和发票密集型运营特征，跨期不一致和潜在误报行为的识别尤为重要。通过成本敏感的分数融合策略和动态阈值优化，系统有效支持了审计部门和财务控制人员在有限审查资源下优先处理高风险交易。
该研究的科学价值在于证明了多模态集成学习在财务异常检测中的优势，通过将无监督密度估计、时序残差建模和图结构学习有机融合，克服了单一模态检测的局限。其应用价值在于提供了一套可在企业环境中部署的智能审计系统方案，在推理延迟、假阳性控制和检测精度之间取得了工程可用的平衡。研究同时指出了异常归因可解释性不足和长期行为动态建模能力有限等挑战，并建议未来在跨模态因果推断和自监督表征学习方向继续探索，以提升系统在不同业务环境下的泛化能力和动态适应性。
本文的核心亮点在于：第一，提出了“结构压缩—时序残差—图结构学习”三位一体的协同检测范式，将 VAE 的全局分布建模能力、Transformer 的时序预测能力和 GNN 的关系图表征能力进行系统性整合；第二，设计了以业务成本最小化为目标的可学习加权分数融合机制，将假阳性与假阴性的不对称业务代价纳入统一的阈值优化框架，克服了弱标注条件下传统方法无法有效权衡检测灵敏度与审计预算约束的困境；第三，在工程层面实现了流批一体化架构、时间窗口防泄漏机制和滑动窗口重加权的在线自适应部署能力，使模型不仅停留在实验验证层面，而是具备真实企业级实时风控场景的落地可行性。研究对象面向集成电路制造企业这一具有高交易频率、多层级采购结构和发票密集型运营特征的特定行业，体现了明确的行业针对性和现实问题导向。