基于自监督的数据审计方法

作     者：慕鑫 韩晓旭 朱飞达 

作者机构：鹏城实验室 华南理工大学 新加坡管理大学 

出 版 物：《数据分析与知识发现》 (Data Analysis and Knowledge Discovery)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金青年基金项目(项目编号:62106114)的研究成果之一 

主　　题：数据审计 自监督 差分审计 

摘      要：[目的]：针对现有方法依赖启发式随机生成数据或随机扰动数据导致结果不稳定的问题，提出一种基于深度网络扰动的端到端自监督数据审计框架。[方法]：提出的框架将传统的随机扰动数据方式转变为基于深度网络的扰动。通过优化审计数据在输出空间中的距离关系，并经过多轮迭代，实现对审计数据的分类。[结果]：在视觉和自然语言处理任务上进行了多组实验，结果显示，本文方法在F1值和AUC指标上较之前的最优模型分别平均提升了5.22和6.20个百分点。[局限]：本文对于算法的理论基础未能展开讨论，同时未细化模型在不同类型数据上的扩展性。[结论]：基于深度网络扰动的自监督数据审计框架避免了随机方法带来的不确定性，其数据审计性能优于现有算法。