Grafové neuronové sítě jako nástroj pro odhalování anomálií v účetních denících
Autor(ka) práce:
Hollmann, Petr
Typ práce:
Diplomová práce
Vedoucí práce:
Zimmermann, Pavel
Oponenti práce:
Janeček, Martin
Jazyk práce:
Česky
Abstrakt:
Zápisy v účetních denících mohou obsahovat různé typy anomálií, od neúmyslných chyb až po sofistikovaná podvodná schémata, která představují významné riziko pro podniky i jejich auditory. Tradiční přístupy k testování účetních dat, založené zejména na pravidlových kontrolách, narážejí na omezení při analýze komplexních datových struktur, jelikož nedokážou efektivně zachytit relační a strukturální vzorce mezi jednotlivými záznamy. Tato diplomová práce zkoumá využití grafových neuronových sítí (Graph Neural Networks, GNN) pro detekci anomálií bez učitele (unsupervised anomaly detection). Účetní data jsou reprezentována jako jeden globální graf, v němž uzly odpovídají účtům a hrany transakcím. Práce v rámci systematické ablační studie porovnává vybrané architektury (VGAE, DOMINANT a CoLA) a hodnotí vliv různých konfigurací vstupních příznaků na kvalitu detekce. Výsledky ukazují, že GNN efektivně identifikují anomálie vyplývající ze strukturálních charakteristik dat. Jako nejúspěšnější se ukázal model CoLA, přičemž analýza naznačuje, že jednodušší topologické příznaky mohou být pro separaci anomálií přínosnější než komplexní kombinace atributů. Modely zároveň prokazují schopnost identifikovat anomálie nezávisle na objemu transakce, což doplňuje tradiční auditorské postupy zaměřené na významnost. Výsledky práce naznačují, že GNN představují perspektivní nástroj pro rozšíření analytických postupů v oblasti finančního auditu.
Using data analytics and automation for testing journal entries in financial auditing
Autor(ka) práce:
Hollmann, Petr
Typ práce:
Diploma thesis
Vedoucí práce:
Zimmermann, Pavel
Oponenti práce:
Janeček, Martin
Jazyk práce:
Česky
Abstrakt:
Entries in accounting journals may contain various types of anomalies, ranging from unintentional errors to sophisticated fraudulent schemes, which pose significant risks to companies and their auditors. Traditional approaches to testing accounting data, primarily based on rule-based controls, face limitations when analysing complex data structures, as they are unable to effectively capture relational and structural patterns between individual records. This thesis investigates the use of Graph Neural Networks (GNN) for unsupervised anomaly detection. Accounting data are represented as a single global graph, in which nodes correspond to accounts and edges to transactions. Within a systematic ablation study, the thesis compares selected architectures (VGAE, DOMINANT, and CoLA) and evaluates the impact of different input feature configurations on detection performance. The results show that GNN effectively identify anomalies arising from the structural characteristics of the data. The CoLA model achieves the best performance, while the analysis suggests that simpler topological features may be more effective for anomaly separation than more complex combinations of attributes. The models also demonstrate the ability to detect anomalies independently of transaction volume, thereby complementing traditional audit procedures focused on materiality. The findings suggest that GNN represent a promising approach for extending analytical procedures in the field of financial auditing.