会計科目の関係における異常検知のための教師なしグラフモデリング

概要: 本論文は、会計科目の関連構造における異常検知の問題に取り組み、グラフニューラルネットワークに基づく、構造化されたモデリングと教師なし弁別フレームワークを提案する。 このフレームワークは、科目間の安定した対応関係を採掘し、総勘定元帳の詳細および伝票記入からの構造的逸脱を特定するために用いられる。 方法はまず、会計科目をグラフのノードとして抽象化し、同一の取引記録における科目の共起と貸借（借方/貸方）の対応関係を重み付きエッジとして抽象化する。 エッジ重みは、共起頻度や金額の集計といった統計的指標によって特徴付けられ、その結果、期間レベルの会計科目関連グラフが形成される。 表現学習段階では、メッセージパッシング機構を用いて、ノード自身の属性と近傍コンテキストを融合し、構造情報を含むノード埋め込みを得る。 異常検知段階では、関係再構成デコーダを通じて科目ペアの結び付きの妥当性を推定し、再構成確率における逸脱の度合いに基づいてエッジレベルの異常スコアを定義する。 その後、これらのスコアを集約して、ノードレベルのリスク順位付けと局所的異常箇所の特定を行う。 本フレームワークは、異常ラベルに依存することなく、局所的な部分構造の異常とコミュニティ横断の異常な接続の両方を同時に捉え、追跡可能な科目ペアのリスク手がかりを出力できる。 比較実験の結果、より安定した包括的な弁別能力と、高い上位ランキング精度が示される。