МОДЕЛЬ ОЦЕНКИ РИСКОВ МОШЕННИЧЕСТВА С ИСПОЛЬЗОВАНИЕМ ГРАФОВЫХ НЕЙРОСЕТЕЙ: ЭКОНОМИЧЕСКАЯ ИНТЕРПРЕТАЦИЯ И АУДИТОРСКАЯ ПРИМЕНИМОСТЬ
Ключевые слова:
мошенничество, графовые нейросети, аудит, внутренний контроль, экономическая интерпретация, риск-скоринг, граф транзакций, ожидаемые потериАннотация
В статье рассматривается проблема оценки рисков мошенничества в аудите и внутреннем контроле. Обосновывается гипотеза о том, что значительная доля мошеннических схем проявляется не в аномальности отдельных операций, а в структуре связей между контрагентами, платежами и должностными лицами. Целью статьи является разработка модели оценки риска на основе графовых нейросетей, ориентированной на экономическую интерпретацию результатов и практическую применимость в аудиторской деятельности. В работе формализован гетерогенный граф хозяйственных связей, описана процедура обучения графовых нейросетей для ранжирования объектов по риску. Предложен метод экономической интерпретации результатов через декомпозицию вклада структурных паттернов в ожидаемые потери. Разработана схема интеграции риск-скоринга в планирование аудита на основе ожидаемой ценности аудиторских процедур. Приведены метрики качества и протокол верификации модели, ориентированный на устойчивость к изменению схем мошенничества. Научная новизна работы заключается в гетерогенной постановке задачи оценки рисков мошенничества для аудита, разработке метода перевода объяснений графовых нейросетей в аудиторские утверждения и создании экономически обоснованного подхода к оптимизации контрольных процедур.
Список литературы
ACFE. Отчет для мирового сообщества: глобальное исследование мошенничества 2024 г. [Электронный ресурс]. URL: https://www.acfe.com/-/media/files/acfe/pdfs/rttn/2024/2024-report-to-the-nations.pdf (дата обращения: 05.03.2026).
Hamilton W.L. Обучение представлениям на графах. San Rafael: Morgan & Claypool Publishers, 2020. 159 р.
Schlichtkrull M., Kipf T.N., Bloem P., van den Berg R., Titov I., Welling M. Моделирование реляционных данных с помощью графовых сверточных сетей // Семантическая паутина: 15-я Европейская конференция по Семантической паутине (ESWC 2018): труды / под ред. A. Gangemi и др. Cham: Springer, 2018. С. 593-607. DOI: 10.1007/978-3-319-93417-4_38.
Molnar C. Интерпретируемое машинное обучение: руководство по объяснимости моделей "черного ящика". 2-е изд. Munich: Leanpub, 2019. 251 с.
Koller T., Goedhart M., Wessels D. Оценка стоимости: измерение и управление стоимостью компаний. 7-е изд. Hoboken: John Wiley & Sons, 2020. 767 с.
Shi C., Li Y., Zhang J., Sun Y., Yu P.S. Обзор анализа гетерогенных информационных сетей // IEEE Transactions on Knowledge and Data Engineering. 2017. Т. 29, № 1. С. 17-37. DOI: 10.1109/TKDE.2016.2598561.
Kipf T.N., Welling M. Полуконтролируемая классификация с графовыми сверточными сетями // Труды 5-й Международной конференции по обучающим представлениям (ICLR). Toulon, 2017. 14 с.
Veličković P., Cucurull G., Casanova A., Romero A., Lio P., Bengio Y. Графовые сети внимания. [Электронный ресурс]. URL: https://arxiv.org/abs/1710.10903 (дата обращения: 05.03.2026).
Ratner A., Bach S.H., Ehrenberg H., Fries J., Wu S., Ré C. Snorkel: быстрое создание обучающих данных на основе слабого надзора // Proceedings of the VLDB Endowment. 2017. Т. 11, № 3. С. 269-282. DOI: 10.14778/3157794.3157797.
Bekker J., Davis J. Обучение по положительным и немаркированным данным: обзор // Machine Learning. 2020. Т. 109, № 4. С. 719-760. DOI: 10.1007/s10994-020-05877-5 EDN: RHCLFX.
Rendle S., Freudenthaler C., Gantner Z., Schmidt-Thieme L. BPR: байесовское персонализированное ранжирование по неявной обратной связи // Труды 25-й конференции по неопределенности в искусственном интеллекте (UAI). Montreal. 2009. С. 452-461.
Platt J.C. Вероятностные выходы для машин опорных векторов и сравнение с методами регуляризованного правдоподобия // Достижения в классификаторах с большим зазором / под ред. A.J. Smola, P. Bartlett, B. Schölkopf, D. Schuurmans. Cambridge: MIT Press, 1999. С. 61-74.
Zadrozny B., Elkan C. Преобразование оценок классификатора в точные многоклассовые вероятностные оценки // Труды 8-й Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных. Edmonton, 2002. С. 694-699. DOI: 10.1145/775047.775151.
Ying R., Bourgeois D., You J., Zitnik M., Leskovec J. GNNExplainer: генерация объяснений для графовых нейронных сетей // Advances in Neural Information Processing Systems 32 (NeurIPS 2019). Vancouver, 2019. С. 9240-9251.
Luo D., Cheng W., Xu D., Yu W., Zong B., Chen H., Zhang X. Параметризованный объяснитель для графовой нейронной сети. [Электронный ресурс]. URL: https://arxiv.org/abs/2011.04573 (дата обращения: 05.03.2026).
Davis J., Goadrich M. Взаимосвязь между кривыми точность-полнота и ROC-кривыми // Труды 23-й Международной конференции по машинному обучению (ICML 2006). Pittsburgh, 2006. С. 233-240. DOI: 10.1145/1143844.1143874.
Naeini M.P., Cooper G.F., Hauskrecht M. Получение хорошо калиброванных вероятностей с использованием байесовского биннинга // Труды 29-й конференции AAAI по искусственному интеллекту. Austin, 2015. С. 2901-2907.
Fawcett T. Введение в анализ ROC // Pattern Recognition Letters. 2006. Т. 27, № 8. С. 861-874. DOI: 10.1016/j.patrec.2005.10.010.
IAASB. Международный стандарт аудита 240: обязанности аудитора, связанные с мошенничеством при аудите финансовой отчетности. [Электронный ресурс]. URL: https://www.ibr-ire.be/docs/default-source/fr/documents/reglementation-et-publications/normes-et-recommandations/isa/isa-english-version/isa-240_en.pdf?sfvrsn=a725e4d9_1 (дата обращения: 05.03.2026).
IAASB. Международный стандарт аудита 315: выявление и оценка рисков существенного искажения. [Электронный ресурс]. URL: https://www.ibr-ire.be/docs/default-source/nl/documents/regelgeving-en-publicaties/rechtsleer/normen-en-aanbevelingen/isa-s/isa-english-version/isa-315-revised-2019_en.pdf?sfvrsn=5d10e4d9_1 (дата обращения: 05.03.2026).
