深度學(xué)習(xí)模型應(yīng)用：面向?qū)徲?jì)業(yè)務(wù)全流程的整合性框架

吳勇 陸藝 朱衛(wèi)東 張超

【摘要】深度學(xué)習(xí)不僅擁有對(duì)半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)強(qiáng)大的信息識(shí)別能力， 還能基于海量數(shù)據(jù)進(jìn)行高效精準(zhǔn)的預(yù)測(cè)分析和判斷支持， 這將極大地拓展審計(jì)證據(jù)范圍， 改善審計(jì)決策機(jī)制， 有助于提升審計(jì)效率和審計(jì)質(zhì)量。 本文基于深度學(xué)習(xí)模型的信息識(shí)別功能和判斷支持功能， 將深度學(xué)習(xí)的智能分析與審計(jì)師的經(jīng)驗(yàn)修正有效融合， 不斷擴(kuò)充、更新、迭代審計(jì)數(shù)據(jù)倉(cāng)庫(kù)， 面向?qū)徲?jì)業(yè)務(wù)全流程， 構(gòu)建深度學(xué)習(xí)模型應(yīng)用于審計(jì)業(yè)務(wù)不同階段的集成性、整合性框架， 以便更好地指導(dǎo)和推動(dòng)深度學(xué)習(xí)模型和方法的審計(jì)應(yīng)用。

【關(guān)鍵詞】深度學(xué)習(xí)；機(jī)器學(xué)習(xí)；審計(jì)業(yè)務(wù)全流程；數(shù)據(jù)倉(cāng)庫(kù)

【中圖分類(lèi)號(hào)】 C93；F239? ? ?【文獻(xiàn)標(biāo)識(shí)碼】A? ? ? 【文章編號(hào)】1004-0994（2023）01-0108-9

一、 引言

科技強(qiáng)審是21世紀(jì)以來(lái)審計(jì)發(fā)展最顯著的特征之一。大數(shù)據(jù)時(shí)代， 傳統(tǒng)審計(jì)取證模式、 審計(jì)流程和審計(jì)技術(shù)方法需要做出適應(yīng)性變革。深度學(xué)習(xí)作為人工智能領(lǐng)域的前沿性技術(shù)， 通過(guò)建立分層的人工神經(jīng)網(wǎng)絡(luò)（又稱(chēng)為深度神經(jīng)網(wǎng)絡(luò)）， 試圖模擬人腦中的生物神經(jīng)元網(wǎng)絡(luò)， 利用高效的學(xué)習(xí)模型自動(dòng)從海量數(shù)據(jù)中提取數(shù)據(jù)特征， 從而識(shí)別潛在的數(shù)據(jù)模式， 洞悉規(guī)律， 推動(dòng)做出數(shù)據(jù)驅(qū)動(dòng)下的管理決策（Ting，2019）。隨著互聯(lián)網(wǎng)、 移動(dòng)通訊、 5G技術(shù)的興起以及計(jì)算機(jī)處理速度和數(shù)據(jù)存儲(chǔ)能力的提升， 深度學(xué)習(xí)已被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)、 語(yǔ)音識(shí)別、 自然語(yǔ)言處理和其他數(shù)據(jù)分析等領(lǐng)域。深度學(xué)習(xí)方法能夠?qū)⑻囟ㄟ^(guò)程的結(jié)果與相關(guān)數(shù)據(jù)擬合， 有效辨識(shí)出海量數(shù)據(jù)背后的模式特征和規(guī)律認(rèn)知， 以便發(fā)現(xiàn)異常、 預(yù)測(cè)趨勢(shì)， 將對(duì)舞弊偵測(cè)、 審計(jì)風(fēng)險(xiǎn)評(píng)估以及審計(jì)決策判斷產(chǎn)生重要影響， 這種數(shù)據(jù)驅(qū)動(dòng)的決策也會(huì)引發(fā)會(huì)計(jì)和審計(jì)領(lǐng)域的研究范式實(shí)現(xiàn)由演繹推理向歸納分析的轉(zhuǎn)變。

然而， 目前深度學(xué)習(xí)在審計(jì)領(lǐng)域的應(yīng)用仍處于起步階段， 究其原因主要有以下兩個(gè)方面： 一是審計(jì)工作的復(fù)雜性。高質(zhì)量的審計(jì)決策有賴(lài)于審計(jì)計(jì)劃、 審計(jì)實(shí)施和審計(jì)報(bào)告的有效協(xié)同， 如果缺乏一個(gè)系統(tǒng)性、 全局性的框架來(lái)系統(tǒng)謀劃和協(xié)調(diào)不同審計(jì)階段的系統(tǒng)設(shè)計(jì)， 新的數(shù)據(jù)分析技術(shù)就很難應(yīng)用于審計(jì)實(shí)踐并取得成效。二是技術(shù)的復(fù)雜性。深度學(xué)習(xí)所建立的深度神經(jīng)網(wǎng)絡(luò)是由復(fù)雜的算法所驅(qū)動(dòng)， 過(guò)程的可理解性和結(jié)果的可解釋性較差。審計(jì)師和監(jiān)管機(jī)構(gòu)難以了解深度神經(jīng)網(wǎng)絡(luò)內(nèi)部的輸入是如何相互作用并產(chǎn)生最終的輸出結(jié)果， 深度學(xué)習(xí)的內(nèi)部運(yùn)作對(duì)其而言更像是一個(gè)“黑箱”， 這嚴(yán)重制約了相關(guān)主體應(yīng)用深度學(xué)習(xí)方法的動(dòng)機(jī)和意愿。

為此， 本文在明晰深度學(xué)習(xí)相關(guān)概念內(nèi)涵的基礎(chǔ)上， 剖析深度學(xué)習(xí)模型的工作原理， 針對(duì)深度學(xué)習(xí)是基于數(shù)據(jù)驅(qū)動(dòng)的特點(diǎn)， 以設(shè)計(jì)、 開(kāi)發(fā)和更新審計(jì)數(shù)據(jù)倉(cāng)庫(kù)為切入點(diǎn)， 面向?qū)徲?jì)業(yè)務(wù)全過(guò)程將深度學(xué)習(xí)的機(jī)器智能和審計(jì)師的知識(shí)與經(jīng)驗(yàn)有效融合， 從而構(gòu)建深度學(xué)習(xí)模型審計(jì)應(yīng)用的集成性、 整合性理論框架， 以便更好地指導(dǎo)和推動(dòng)深度學(xué)習(xí)模型和方法在審計(jì)方面的應(yīng)用。

二、 文獻(xiàn)綜述

深度學(xué)習(xí)具有強(qiáng)大的多結(jié)構(gòu)類(lèi)型數(shù)據(jù)分析處理能力， 不僅可以分析傳統(tǒng)的結(jié)構(gòu)化財(cái)務(wù)數(shù)據(jù)， 還可以分析半結(jié)構(gòu)化或非結(jié)構(gòu)化的數(shù)據(jù)， 如社交媒體信息、 電子郵件、 新聞報(bào)道、 電話和視頻， 通過(guò)機(jī)器自動(dòng)提取的數(shù)據(jù)特征作為補(bǔ)充證據(jù)， 可以豐富審計(jì)師對(duì)客戶(hù)業(yè)務(wù)和行業(yè)的理解， 幫助審計(jì)師更好地評(píng)估客戶(hù)的審計(jì)風(fēng)險(xiǎn)， 提升審計(jì)效率和質(zhì)量。深度學(xué)習(xí)算法不再主要依靠重復(fù)性抽樣技術(shù)， 而是可以審查公司的整體數(shù)據(jù)， 審計(jì)師能夠以更加全域和科學(xué)的視角來(lái)組織實(shí)施更有針對(duì)性的測(cè)試， 及時(shí)辨識(shí)公司各類(lèi)異常情況和存在的風(fēng)險(xiǎn)。而且， 深度學(xué)習(xí)算法從海量數(shù)據(jù)以及不同項(xiàng)目中習(xí)得的知識(shí)和規(guī)律， 推廣應(yīng)用于具有類(lèi)似特征的其他項(xiàng)目， 有助于提升知識(shí)共享應(yīng)用的效率。審計(jì)師可以從更寬廣的數(shù)據(jù)覆蓋面、 更詳細(xì)的數(shù)據(jù)分析和更深入的決策洞察中獲益。

深度學(xué)習(xí)已廣泛應(yīng)用于審計(jì)領(lǐng)域的多項(xiàng)任務(wù)中， 如審查源文件、 分析業(yè)務(wù)交易和事項(xiàng)、 評(píng)估風(fēng)險(xiǎn)等。學(xué)者們還探討了利用深度學(xué)習(xí)來(lái)預(yù)測(cè)欺詐風(fēng)險(xiǎn)、 破產(chǎn)風(fēng)險(xiǎn)、 重大錯(cuò)報(bào)風(fēng)險(xiǎn)、 識(shí)別異常情況以及公司未來(lái)的業(yè)績(jī)表現(xiàn)等。深度學(xué)習(xí)的文本理解、 語(yǔ)音識(shí)別、 視覺(jué)識(shí)別和結(jié)構(gòu)化數(shù)據(jù)分析能力， 為提升審計(jì)證據(jù)的信息識(shí)別能力和審計(jì)決策判斷能力提供了重要幫助。一方面， 深度學(xué)習(xí)提升了審計(jì)證據(jù)的信息識(shí)別能力。因?yàn)樯疃葘W(xué)習(xí)能夠從半結(jié)構(gòu)化數(shù)據(jù)（如文本數(shù)據(jù)）或非結(jié)構(gòu)化數(shù)據(jù)（如圖像、 音頻和視頻）中識(shí)別、 提取有價(jià)值、 有洞見(jiàn)的信息， 極大地拓展了審計(jì)證據(jù)的信息來(lái)源， 而且不同來(lái)源證據(jù)之間的相互佐證也能有效提升審計(jì)證據(jù)質(zhì)量。另一方面， 深度學(xué)習(xí)強(qiáng)大的信息識(shí)別功能為復(fù)雜審計(jì)決策提供了數(shù)據(jù)基礎(chǔ)， 當(dāng)數(shù)據(jù)量大且輸入變量眾多時(shí)， 深度學(xué)習(xí)所具有的高效精準(zhǔn)預(yù)測(cè)性能的優(yōu)勢(shì)將進(jìn)一步突顯， 能夠提供準(zhǔn)確度更高的分類(lèi)和預(yù)測(cè)結(jié)果， 從而為復(fù)雜審計(jì)判斷提供有效的決策支持。因此， 從算法和技術(shù)的視角出發(fā)， 基于深度學(xué)習(xí)的方法能夠豐富審計(jì)證據(jù)， 改善審計(jì)決策機(jī)制， 有助于提升審計(jì)效率和審計(jì)質(zhì)量。

三、 概念界定與關(guān)系辨析

（一）人工智能、 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

在探討深度學(xué)習(xí)的審計(jì)應(yīng)用之前， 有必要明晰人工智能、 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的概念內(nèi)涵以及這些概念之間的關(guān)系。

人工智能是研究如何使用計(jì)算機(jī)的軟硬件來(lái)模擬人類(lèi)某些智能行為的基本理論、 方法和技術(shù)。智能行為包括觀察和感知周?chē)h(huán)境的能力、 從語(yǔ)音或文本中提取信息的能力、 從獲得的信息中學(xué)習(xí)以及利用這些信息做出決策的能力等。人工智能作為一種自適應(yīng)、 自學(xué)習(xí)系統(tǒng)， 可以通過(guò)計(jì)算機(jī)程序來(lái)模仿人類(lèi)的判斷和認(rèn)知技能， 感知外部的環(huán)境變化， 能夠從數(shù)據(jù)中自主學(xué)習(xí)和自我進(jìn)化， 以便做出決策、 預(yù)測(cè)或采取最佳的適應(yīng)性行動(dòng)。例如， 谷歌地圖可以綜合考慮事故、 施工和天氣情況等， 給出最優(yōu)的交通路線選擇， 從而減少通行時(shí)間。人工智能領(lǐng)域的研究主要包括機(jī)器學(xué)習(xí)、 自然語(yǔ)言處理、 計(jì)算機(jī)視覺(jué)、 認(rèn)知計(jì)算等。

機(jī)器學(xué)習(xí)這一概念于1959年被創(chuàng)造性地提出， 其被界定為“一個(gè)研究領(lǐng)域， 它賦予計(jì)算機(jī)不需要明確編程就能學(xué)習(xí)的能力”。Mitchell（2006）則為機(jī)器學(xué)習(xí)提供了一個(gè)被廣泛參考的定義： “機(jī)器學(xué)習(xí)領(lǐng)域關(guān)注的問(wèn)題是如何構(gòu)建隨著知識(shí)和經(jīng)驗(yàn)的積累而能夠自動(dòng)改進(jìn)的計(jì)算機(jī)程序”。兩類(lèi)觀點(diǎn)都堅(jiān)持機(jī)器學(xué)習(xí)的目的是使計(jì)算機(jī)自動(dòng)（而不是由人類(lèi)明確編程）使用算法從歷史數(shù)據(jù)中學(xué)習(xí)模式和趨勢(shì)， 通過(guò)不斷迭代改進(jìn)其學(xué)習(xí)性能（通常以預(yù)測(cè)精度來(lái)衡量）， 并應(yīng)用所學(xué)到的數(shù)據(jù)模式或趨勢(shì)來(lái)進(jìn)行相應(yīng)的預(yù)測(cè)。例如， 銀行利用機(jī)器學(xué)習(xí)算法來(lái)分析大量的歷史數(shù)據(jù)， 從而建立信用風(fēng)險(xiǎn)預(yù)測(cè)模型。人工智能可以被認(rèn)為是自主機(jī)器智能的廣泛目標(biāo)， 那么在這一意義上， 機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的具體科學(xué)方法（Hinton和Salakhutdinov，2006）。

人工神經(jīng)網(wǎng)絡(luò)是未來(lái)人工智能和機(jī)器學(xué)習(xí)的重要組成部分， 由相互連接的人工神經(jīng)元層組成， 以大腦的結(jié)構(gòu)和功能為模型， 通過(guò)節(jié)點(diǎn)連接數(shù)據(jù)， 系統(tǒng)可以被設(shè)置為簡(jiǎn)單或多層神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)是一種先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)， 將機(jī)器的計(jì)算能力與神經(jīng)網(wǎng)絡(luò)中的連接模式相結(jié)合， 通過(guò)構(gòu)建分層的人工神經(jīng)網(wǎng)絡(luò)， 從原始數(shù)據(jù)中抽象數(shù)據(jù)特征、 提取模式和規(guī)律以理解復(fù)雜的關(guān)系， 并歸納習(xí)得知識(shí)。深度學(xué)習(xí)的蓬勃發(fā)展主要?dú)w因于對(duì)圖像處理能力的提升、 計(jì)算機(jī)硬件成本的下降以及機(jī)器學(xué)習(xí)算法效能的進(jìn)步。

（二）深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別

傳統(tǒng)的機(jī)器學(xué)習(xí)算法如邏輯回歸和樸素貝葉斯在很大程度上依賴(lài)于領(lǐng)域?qū)＜沂孪冉o定的數(shù)據(jù)特征， 而不是自主學(xué)習(xí)挖掘獲取的特征。這些算法往往需要具有領(lǐng)域?qū)I(yè)知識(shí)的專(zhuān)家來(lái)人工識(shí)別預(yù)選的數(shù)據(jù)特征。運(yùn)用此類(lèi)傳統(tǒng)機(jī)器學(xué)習(xí)算法做預(yù)測(cè)時(shí)面臨的一個(gè)重要問(wèn)題是， 一些尚未被人類(lèi)專(zhuān)家預(yù)先識(shí)別的數(shù)據(jù)特征在模型學(xué)習(xí)過(guò)程中將不會(huì)被考慮到。相比之下， 深度神經(jīng)網(wǎng)絡(luò)接收更多維度的原始輸入， 并通過(guò)模型訓(xùn)練自動(dòng)學(xué)習(xí)特征。分層結(jié)構(gòu)中的多個(gè)隱藏層使得深度神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)識(shí)別更多的數(shù)據(jù)特征， 而無(wú)需人工干預(yù)。這一事實(shí)的重要意義在于， 當(dāng)有大量的數(shù)據(jù)或任務(wù)較復(fù)雜時(shí)， 機(jī)器學(xué)習(xí)基于海量數(shù)據(jù)挖掘以及復(fù)雜任務(wù)關(guān)聯(lián)而識(shí)別出的數(shù)據(jù)特征， 可能比人類(lèi)專(zhuān)家基于知識(shí)和經(jīng)驗(yàn)所總結(jié)出的數(shù)據(jù)特征更全面、 更客觀。

（三）深度學(xué)習(xí)的工作原理

深度神經(jīng)網(wǎng)絡(luò)是由輸入層、 若干隱藏層和輸出層組成， 其中輸入層接收初始數(shù)據(jù)， 輸出層給出最終的數(shù)據(jù)標(biāo)簽（即確定的類(lèi)別， 例如舞弊或不舞弊、 狗或貓等）， 輸入層和輸出層之間的層則被稱(chēng)為隱藏層。組成一個(gè)層的神經(jīng)元與前（后）層的許多其他神經(jīng)元相連， 以接收（發(fā)送）數(shù)據(jù)。神經(jīng)元之間的每個(gè)連接最初都被分配一個(gè)隨機(jī)的數(shù)值權(quán)重， 這個(gè)權(quán)重決定了輸入值的重要性， 隨著學(xué)習(xí)程序?qū)?shù)據(jù)重要特征了解的加深， 權(quán)重需要不斷優(yōu)化調(diào)整。下一層的神經(jīng)元對(duì)輸入數(shù)據(jù)的加權(quán)組合執(zhí)行復(fù)雜的非線性轉(zhuǎn)換， 并將結(jié)果傳遞至后續(xù)層， 通過(guò)這種方式， 數(shù)據(jù)從一層流向另一層。與傳統(tǒng)的“淺層”神經(jīng)網(wǎng)絡(luò)只有一個(gè)或兩個(gè)隱藏層不同， 深度神經(jīng)網(wǎng)絡(luò)有幾十個(gè)隱藏層。憑借其大量的神經(jīng)元， 深度神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)具有更大的代表性， 能夠挖掘識(shí)別出數(shù)據(jù)背后隱藏的多個(gè)特征， 可以有效地用于大數(shù)據(jù)分析。

為了訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)， 每次向系統(tǒng)輸入新的數(shù)據(jù)實(shí)例時(shí)， 都要將預(yù)測(cè)值與訓(xùn)練數(shù)據(jù)的實(shí)際觀察值進(jìn)行比較， 并計(jì)算出所產(chǎn)生的誤差。然后， 對(duì)模型的超參數(shù)（如權(quán)重）進(jìn)行微調(diào)以減少這些誤差。經(jīng)過(guò)幾千甚至幾百萬(wàn)次的優(yōu)化調(diào)整， 可以識(shí)別出隱藏在數(shù)據(jù)背后越來(lái)越多的抽象特征， 實(shí)現(xiàn)最小誤差， 訓(xùn)練好的模型也就可以用來(lái)分析未來(lái)的數(shù)據(jù)。例如， 利用深度神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行人臉識(shí)別的過(guò)程中， 大量的人臉圖片作為訓(xùn)練集， 輸入層識(shí)別最基本的特征是像素。隱藏層可以識(shí)別更抽象的特征， 如由像素組成的邊緣、 部位（如眼睛、 鼻子和嘴巴）以及物體模型。每一個(gè)提取的數(shù)據(jù)特征都是建立在前一層的較簡(jiǎn)單的特征之上的， 而輸出層最終識(shí)別出人臉。

四、 深度學(xué)習(xí)的應(yīng)用領(lǐng)域與審計(jì)功能應(yīng)用

深度學(xué)習(xí)適合于分析理解文本、 圖像和視頻等半結(jié)構(gòu)化或非結(jié)構(gòu)化類(lèi)型的數(shù)據(jù)， 以實(shí)現(xiàn)某些重復(fù)性任務(wù)的自動(dòng)化。軟件（如開(kāi)源數(shù)據(jù)分析工具軟件R語(yǔ)言、 開(kāi)源機(jī)器學(xué)習(xí)平臺(tái)H2O等）和硬件（圖形處理單元GPU和云計(jì)算等）的發(fā)展， 使得之前需要審計(jì)師手動(dòng)完成的審計(jì)任務(wù)現(xiàn)在可以由機(jī)器和程序自動(dòng)完成。Sun和Vasarhelyi（2017）從文本分析、 語(yǔ)音識(shí)別、 圖像（視頻解析）和判斷支持等方面， 提供了深度學(xué)習(xí)應(yīng)用于審計(jì)實(shí)踐的實(shí)例。相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)， 深度學(xué)習(xí)在機(jī)器學(xué)習(xí)的文本理解、 語(yǔ)音識(shí)別、 視覺(jué)識(shí)別和結(jié)構(gòu)化數(shù)據(jù)分析等方面具有優(yōu)勢(shì)， 可以很好地應(yīng)用于新一代信息技術(shù)環(huán)境下的審計(jì)實(shí)踐。

（一）深度學(xué)習(xí)的典型應(yīng)用領(lǐng)域

1. 文本理解。公司公開(kāi)披露的財(cái)務(wù)報(bào)告、 公告以及證券監(jiān)管機(jī)構(gòu)的問(wèn)詢(xún)函等均含有大量的文本信息， 如何有效地挖掘分析這些文本數(shù)據(jù)中所包含的決策有用的信息顯得尤為重要。文本挖掘方法包括文本結(jié)構(gòu)分析（如詞袋模型、 詞性標(biāo)注、 命名實(shí)體識(shí)別等）， 文本內(nèi)容分析（如主題模型、 情感分析、 觀點(diǎn)挖掘等）和智能語(yǔ)義理解（詞嵌入模型、 語(yǔ)義類(lèi)比和因果推理等）。傳統(tǒng)的文本挖掘方法采用詞袋模型， 通過(guò)辨識(shí)文本文件中每個(gè)類(lèi)別（如反映積極和消極情緒的情緒特征）的單詞比例計(jì)數(shù)來(lái)從文本中提取特征， 依賴(lài)于完備、 完整的詞表預(yù)定義字典， 而這需要具有豐富先驗(yàn)知識(shí)的人類(lèi)工程師付出較大的時(shí)間精力， 這種方法難以有效地分析冗長(zhǎng)的文本文檔， 而且未考慮到文本內(nèi)容中的語(yǔ)義、 結(jié)構(gòu)、 順序、 附近詞語(yǔ)的上下文以及其他附加信息等。而基于深度學(xué)習(xí)的文本理解具有自動(dòng)從原始輸入數(shù)據(jù)中識(shí)別抽象數(shù)據(jù)特征的能力， 通過(guò)構(gòu)建一個(gè)“淺層”神經(jīng)網(wǎng)絡(luò)， 將文本文檔轉(zhuǎn)換為一組稱(chēng)為“詞嵌入”的向量， 這些向量在數(shù)字上代表了文檔中每個(gè)詞的上下文， 然后根據(jù)向量的數(shù)學(xué)相似性， 將具有相似含義的單詞歸為一組， 再利用深度神經(jīng)網(wǎng)絡(luò)接收這些嵌入作為輸入信號(hào)， 通過(guò)多個(gè)隱藏層提取更高級(jí)的數(shù)據(jù)特征， 最后根據(jù)訓(xùn)練數(shù)據(jù)集的預(yù)定義概念（如主題、 實(shí)體、 關(guān)系、 情感）進(jìn)行分類(lèi)， 以此實(shí)現(xiàn)文本文檔的機(jī)器閱讀和智能理解。

當(dāng)前， 諸多研究對(duì)比分析了深度學(xué)習(xí)和其他文本挖掘技術(shù)， 為深度學(xué)習(xí)應(yīng)用于審計(jì)文本分析提供了指導(dǎo) 。在審計(jì)工作中， 有大量的合同文本、 租賃契約、 協(xié)議書(shū)和其他文本文件需要審查， 深度學(xué)習(xí)的文本理解能力可以幫助審計(jì)師從中自動(dòng)審查和提取關(guān)鍵信息。例如， 審計(jì)師可以使用深度學(xué)習(xí)來(lái)分析公司財(cái)務(wù)報(bào)告中管理層討論與分析（MD&A）的內(nèi)容， 以提取管理層對(duì)其公司前期業(yè)績(jī)、 當(dāng)前財(cái)務(wù)狀況和未來(lái)盈利預(yù)測(cè)的信息， 有助于審計(jì)師高效地了解公司的運(yùn)營(yíng)狀況。此外， 通過(guò)對(duì)比管理層預(yù)測(cè)與分析師預(yù)測(cè)以及公司目前的實(shí)際業(yè)績(jī)， 審計(jì)師可以了解管理層的保守程度。此外， 深度學(xué)習(xí)還可以從MD&A的文本敘述中識(shí)別并衡量管理層的情緒， 幫助審計(jì)師預(yù)測(cè)財(cái)務(wù)報(bào)表舞弊風(fēng)險(xiǎn)等。

2. 語(yǔ)音識(shí)別。由深度學(xué)習(xí)驅(qū)動(dòng)的語(yǔ)音識(shí)別已廣泛應(yīng)用于社會(huì)生產(chǎn)和生活的多個(gè)領(lǐng)域。智能語(yǔ)音交互設(shè)備可以理解各種方言， 并以接近人類(lèi)的精度消除背景噪音的干擾。亞馬遜的Echo Dot， 可以與人類(lèi)對(duì)話并執(zhí)行播放音樂(lè)、 制訂待辦事項(xiàng)清單和提供實(shí)時(shí)天氣信息等任務(wù)。谷歌提供了一個(gè)云語(yǔ)音應(yīng)用編程接口， 利用強(qiáng)大的深度神經(jīng)網(wǎng)絡(luò)允許用戶(hù)將語(yǔ)音從聲波轉(zhuǎn)化為文本， 輸入計(jì)算機(jī)系統(tǒng)。百度的Deep Voice， 則可以將書(shū)面文本轉(zhuǎn)換成各種語(yǔ)言和聲音。利用IBM Watson提供的深度學(xué)習(xí)工具， 可識(shí)別財(cái)務(wù)報(bào)告電話會(huì)議和MD&A的情緒特征， 為預(yù)測(cè)企業(yè)內(nèi)部控制缺陷和財(cái)務(wù)報(bào)告誤報(bào)提供了額外的信息。

在審計(jì)方面， 深度學(xué)習(xí)的語(yǔ)音識(shí)別功能可以幫助解決審計(jì)過(guò)程中可能面臨的音頻數(shù)據(jù)分析。如可以用來(lái)分析公司財(cái)務(wù)報(bào)告電話會(huì)議， 通過(guò)提取管理層和其他參與者討論的主題、 關(guān)鍵詞、 實(shí)體和關(guān)系， 識(shí)別出說(shuō)話者的情緒和情感， 協(xié)助審計(jì)師洞察出電話會(huì)議中的欺騙性討論。此外， 還可以用于審計(jì)過(guò)程中對(duì)公司管理人員的訪談， 通過(guò)關(guān)注交互過(guò)程中的泛泛而談、 是否使用第一人稱(chēng)代詞或受訪人員的聲音變化等， 辨識(shí)出帶有欺詐性的語(yǔ)言線索， 從而為審計(jì)師偵測(cè)管理層舞弊、 識(shí)別內(nèi)部控制缺陷等提供補(bǔ)充性證據(jù)。

3. 視覺(jué)識(shí)別。視覺(jué)識(shí)別技術(shù)允許機(jī)器標(biāo)記人臉、 識(shí)別物體以及圖片或視頻中的內(nèi)容和場(chǎng)景。在搜索和理解圖像、 繪圖、 醫(yī)學(xué)診斷和汽車(chē)自動(dòng)駕駛等方面， 深度學(xué)習(xí)大大提升了最先進(jìn)的視覺(jué)識(shí)別系統(tǒng)的性能。Sutton等（2016）將深度學(xué)習(xí)應(yīng)用于審計(jì)師與客戶(hù)人員的訪談過(guò)程， 探討面部識(shí)別和語(yǔ)氣檢測(cè)等深度學(xué)習(xí)系統(tǒng)在欺詐監(jiān)測(cè)中的潛在用途。

深度學(xué)習(xí)通過(guò)自動(dòng)檢查掃描文件的圖像如支票、 收據(jù)、 銀行對(duì)賬單和應(yīng)收賬款確認(rèn)書(shū)等來(lái)識(shí)別選定的項(xiàng)目， 從而提升了審計(jì)實(shí)質(zhì)性測(cè)試的效率和效果。例如， 在檢查支票的掃描圖像時(shí)， 可以識(shí)別付款金額、 收款人、 路由器號(hào)碼和銀行背書(shū)。除了靜止圖像的識(shí)別， 經(jīng)過(guò)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)還可以檢查視頻片段中的每一個(gè)場(chǎng)景， 識(shí)別動(dòng)態(tài)視頻中的行為， 如辨識(shí)個(gè)人面容、 連續(xù)動(dòng)作、 GPS位置信息、 物體數(shù)量和質(zhì)量信息， 以及印在物體標(biāo)簽上的數(shù)字或文字等信息。在內(nèi)部控制測(cè)試時(shí)， 審計(jì)師可以使用深度學(xué)習(xí)的視覺(jué)識(shí)別系統(tǒng)來(lái)檢查經(jīng)過(guò)員工清點(diǎn)或庫(kù)存的網(wǎng)絡(luò)攝像頭記錄， 以便做出進(jìn)一步的措施。在對(duì)管理層和員工訪談的過(guò)程中， 利用深度學(xué)習(xí)系統(tǒng)可以通過(guò)洞察員工的身體語(yǔ)言和面部表情來(lái)檢測(cè)潛在的欺騙行為。

4. 結(jié)構(gòu)化數(shù)據(jù)分析。盡管深度學(xué)習(xí)在半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)分析領(lǐng)域取得了顯著的成效， 但少有研究探究其在處理結(jié)構(gòu)化數(shù)據(jù)尤其是不平衡數(shù)據(jù)方面的強(qiáng)大潛力。對(duì)于現(xiàn)實(shí)生活中的數(shù)據(jù)分析， 數(shù)據(jù)不平衡性是一個(gè)常見(jiàn)但又極具挑戰(zhàn)性的問(wèn)題， 例如， 在數(shù)以萬(wàn)計(jì)的財(cái)務(wù)報(bào)告中， 欺詐性報(bào)表可能僅有數(shù)百份； 在所有信用卡持有者中， 未能按時(shí)還款的可能只占極少數(shù)。在成本敏感的學(xué)習(xí)情境下， 包含多個(gè)隱藏層的深度神經(jīng)網(wǎng)絡(luò)能夠顯著提高面向不平衡數(shù)據(jù)的總體預(yù)測(cè)準(zhǔn)確性。深度神經(jīng)網(wǎng)絡(luò)的復(fù)雜性也有利于對(duì)高度變化的任務(wù)進(jìn)行有效預(yù)測(cè)。在信用卡違約檢測(cè)方面， 相比于邏輯回歸、 樸素貝葉斯、 傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)和決策樹(shù)等模型， 深度學(xué)習(xí)表現(xiàn)出更好的整體預(yù)測(cè)性能。

（二）深度學(xué)習(xí)的審計(jì)功能應(yīng)用

深度學(xué)習(xí)在文本理解、 語(yǔ)音識(shí)別、 視覺(jué)識(shí)別等領(lǐng)域的優(yōu)勢(shì)， 形成了其對(duì)半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)強(qiáng)大的信息識(shí)別能力， 極大地豐富和拓展了審計(jì)證據(jù)的時(shí)空范圍。與此同時(shí)， 深度學(xué)習(xí)還擁有對(duì)海量數(shù)據(jù)高效精準(zhǔn)的預(yù)測(cè)分析能力， 這將為復(fù)雜審計(jì)決策提供良好的判斷支持。

1. 信息識(shí)別功能?；谇笆龅奈谋纠斫狻?語(yǔ)音識(shí)別和視覺(jué)識(shí)別能力， 深度學(xué)習(xí)可以作為半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的信息識(shí)別者， 幫助審計(jì)師綜合洞察文本、 圖像、 音頻和視頻等多個(gè)來(lái)源的關(guān)鍵信息， 拓展了審計(jì)證據(jù)的范圍和數(shù)量， 提升了審計(jì)證據(jù)之間的相互印證性及審計(jì)證據(jù)的洞察力。EMM“三角證據(jù)”認(rèn)為， 企業(yè)經(jīng)營(yíng)狀況（EBS）、 管理層經(jīng)營(yíng)陳述（MBR）、 管理信息媒介（MII）三者之間是互為條件、 互為制約、 相互佐證的關(guān)系， 三者之間的印證關(guān)系（見(jiàn)圖1）可以支持甚至放大每一種證據(jù)的可信性和有用性， 增加審計(jì)證據(jù)的證明力和說(shuō)服力， 從而提升審計(jì)質(zhì)量。

現(xiàn)有審計(jì)過(guò)程對(duì)于以財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)的企業(yè)經(jīng)營(yíng)狀況關(guān)注較多， 但對(duì)于管理層經(jīng)營(yíng)陳述以及管理信息媒介所提供的審計(jì)證據(jù)關(guān)注較少， 而深度學(xué)習(xí)對(duì)于半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)強(qiáng)大的信息識(shí)別能力， 為三種證據(jù)之間的交叉驗(yàn)證提供了重要基礎(chǔ)。例如， 對(duì)于管理層經(jīng)營(yíng)陳述信息的可靠性， 可以利用深度學(xué)習(xí)工具， 挖掘分析MD&A部分的情緒特征， 洞察管理層電話會(huì)議、 訪談?dòng)涗浺曨l中的管理層可能的舞弊性行為特征， 有助于審計(jì)師高效地洞悉管理層的舞弊情況以及公司真實(shí)的運(yùn)營(yíng)狀況。對(duì)于管理信息媒介的文本型數(shù)據(jù)， 審計(jì)師可以利用深度學(xué)習(xí)的文本理解能力， 將新聞報(bào)道和社交媒體評(píng)論等文本型數(shù)據(jù)自動(dòng)轉(zhuǎn)化為機(jī)器可讀的定量數(shù)據(jù)， 更深入地解讀新聞媒介和社交媒體中與被審計(jì)單位相關(guān)的主題、 關(guān)系、 情感， 為從外部信息媒介視角分析企業(yè)經(jīng)營(yíng)狀況提供補(bǔ)充證據(jù)。對(duì)于企業(yè)經(jīng)營(yíng)狀況， 除了依據(jù)傳統(tǒng)結(jié)構(gòu)化的財(cái)務(wù)數(shù)據(jù)， 還可以利用深度學(xué)習(xí)的文本理解和圖像、 視頻和音頻識(shí)別， 深度解讀與企業(yè)生產(chǎn)經(jīng)營(yíng)相關(guān)的各類(lèi)合同文本信息， 利用物聯(lián)網(wǎng)設(shè)備以及企業(yè)生產(chǎn)經(jīng)營(yíng)過(guò)程中的各種視頻監(jiān)控錄像， 持續(xù)獲取企業(yè)生產(chǎn)運(yùn)營(yíng)過(guò)程中的各類(lèi)信息， 以便更加客觀、 準(zhǔn)確地理解企業(yè)的生產(chǎn)經(jīng)營(yíng)狀況。例如， 為了驗(yàn)證銷(xiāo)售收入的真實(shí)性， 可以建立涵蓋采購(gòu)合同的文本分析、 產(chǎn)品銷(xiāo)售出庫(kù)的視頻監(jiān)控信息、 產(chǎn)品銷(xiāo)售物料配送的物聯(lián)網(wǎng)信息等， 通過(guò)系統(tǒng)整合上述信息， 提供更加詳實(shí)有效的審計(jì)證據(jù)。

2. 決策支持功能。審計(jì)過(guò)程涉及復(fù)雜的專(zhuān)業(yè)判斷， 特別是在確定重要性水平、 評(píng)估審計(jì)風(fēng)險(xiǎn)、 溝通關(guān)鍵審計(jì)事項(xiàng)和確定審計(jì)意見(jiàn)類(lèi)型時(shí)， 要求審計(jì)師必須從不同的角度綜合考慮大量的證據(jù)來(lái)做出最終的決定。

一方面， 基于信息識(shí)別功能， 機(jī)器學(xué)習(xí)允許整合文本數(shù)據(jù)、 音頻、 視頻、 圖像等多種類(lèi)數(shù)據(jù)， 并通過(guò)數(shù)據(jù)可視化技術(shù)較大地提升了審計(jì)師對(duì)被審計(jì)對(duì)象經(jīng)營(yíng)業(yè)務(wù)的理解。例如， 零售商停車(chē)場(chǎng)的可視化數(shù)據(jù)可以為判定銷(xiāo)售收入的真實(shí)性提供輔助。

另一方面， 深度學(xué)習(xí)基于海量數(shù)據(jù)強(qiáng)大的預(yù)測(cè)分析功能， 尤其是當(dāng)數(shù)據(jù)量大、 輸入變量多時(shí)， 深度學(xué)習(xí)的預(yù)測(cè)性能優(yōu)于經(jīng)典的機(jī)器學(xué)習(xí)方法， 能夠?yàn)閺?fù)雜的審計(jì)判斷提供很好的決策支持。例如， 如果能夠通過(guò)高效的數(shù)據(jù)預(yù)處理方法， 將由自然語(yǔ)言、 視覺(jué)信息組成的大數(shù)據(jù)清洗為合理干凈的數(shù)據(jù)集， 并具有較高的計(jì)算能力， 那么機(jī)器學(xué)習(xí)算法就可以通過(guò)訓(xùn)練數(shù)據(jù)識(shí)別模式更好地理解數(shù)據(jù)， 以便提取關(guān)鍵信息， 且能最小化人為干預(yù)對(duì)結(jié)果偏見(jiàn)的影響， 提高預(yù)測(cè)精度和預(yù)測(cè)能力， 有助于審計(jì)師獲得對(duì)被審計(jì)對(duì)象更好的洞察和理解， 從而有助于相關(guān)審計(jì)決策判斷。對(duì)于財(cái)務(wù)報(bào)告錯(cuò)報(bào)的預(yù)測(cè)， 輸入的數(shù)據(jù)特征可以包括之前理論研究成果中證實(shí)影響財(cái)務(wù)報(bào)告錯(cuò)報(bào)的相關(guān)影響因素、 審計(jì)師基于經(jīng)驗(yàn)判斷認(rèn)為重要的影響因素以及管理層電話會(huì)議、 MD&A文本分析的情感和情緒得分等。

值得注意的是， 不同于深度學(xué)習(xí)的信息識(shí)別功能主要處理半結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)， 深度學(xué)習(xí)的決策判斷支持功能可以分析結(jié)構(gòu)化數(shù)據(jù)， 特別是處理不平衡的結(jié)構(gòu)化數(shù)據(jù)。一些算法能夠有效地處理不平衡的結(jié)構(gòu)化數(shù)據(jù)（如生成對(duì)抗網(wǎng)絡(luò)），而在財(cái)務(wù)危機(jī)預(yù)警、 舞弊風(fēng)險(xiǎn)識(shí)別、 審計(jì)意見(jiàn)預(yù)測(cè)等審計(jì)決策判斷中常常涉及不平衡數(shù)據(jù)處理問(wèn)題。

基于深度學(xué)習(xí)的審計(jì)應(yīng)用能力如圖2所示。

五、 面向?qū)徲?jì)業(yè)務(wù)全流程的深度學(xué)習(xí)模型審計(jì)應(yīng)用的整合性框架

（一）深度學(xué)習(xí)模型應(yīng)用于審計(jì)業(yè)務(wù)全流程的基本框架

深度學(xué)習(xí)模型是基于數(shù)據(jù)驅(qū)動(dòng)的， 為了形成面向?qū)徲?jì)全過(guò)程不同階段各種審計(jì)任務(wù)的模型訓(xùn)練和測(cè)試數(shù)據(jù)， 需要由審計(jì)師利用標(biāo)記的財(cái)務(wù)和非財(cái)務(wù)數(shù)據(jù)來(lái)設(shè)計(jì)和開(kāi)發(fā)審計(jì)數(shù)據(jù)倉(cāng)庫(kù)。特別是要利用深度學(xué)習(xí)的信息識(shí)別功能， 從會(huì)計(jì)師事務(wù)所留存的審計(jì)檔案、 前任審計(jì)師的永久檔案和審計(jì)工作文檔以及大數(shù)據(jù)時(shí)代能反映被審計(jì)單位生產(chǎn)經(jīng)營(yíng)和財(cái)務(wù)狀況的視頻、 音頻、 圖像和文本等多種資料中提取機(jī)器可讀的數(shù)據(jù)特征， 并將其轉(zhuǎn)換為定量變量?；谏疃葘W(xué)習(xí)信息識(shí)別功能所構(gòu)建的審計(jì)數(shù)據(jù)倉(cāng)庫(kù)涵蓋了半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)， 能夠從更多維度刻畫(huà)公司的潛在特征， 極大地拓展了審計(jì)證據(jù)的時(shí)空范圍， 為復(fù)雜的審計(jì)決策提供輔助支持。

審計(jì)師需要根據(jù)不同審計(jì)階段的具體審計(jì)目標(biāo)來(lái)確定深度學(xué)習(xí)模型的預(yù)測(cè)目標(biāo)， 每個(gè)模型只服務(wù)于一個(gè)審計(jì)目標(biāo)。服務(wù)于不同審計(jì)目標(biāo)的深度學(xué)習(xí)模型， 從數(shù)據(jù)倉(cāng)庫(kù)中選擇相應(yīng)的數(shù)據(jù)源輸入， 使用迭代方法從分析數(shù)據(jù)中進(jìn)行自動(dòng)化和持續(xù)化的學(xué)習(xí)， 當(dāng)訓(xùn)練學(xué)習(xí)的數(shù)據(jù)足夠多時(shí)， 通過(guò)反饋行動(dòng)不斷修正學(xué)習(xí)結(jié)果， 可以洞察出隱藏在數(shù)據(jù)背后的模式特征和規(guī)律， 并根據(jù)識(shí)別出的穩(wěn)健模式對(duì)新輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)。在做出最終決定之前， 審計(jì)師基于自身的知識(shí)經(jīng)驗(yàn)和專(zhuān)業(yè)判斷， 對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行調(diào)整和優(yōu)化， 以便決定最終的結(jié)果， 并指導(dǎo)審計(jì)師采取最終行動(dòng)， 所有結(jié)果會(huì)更新至數(shù)據(jù)倉(cāng)庫(kù)中。通過(guò)這種方式， 審計(jì)師將獲得包含輸入和輸出（標(biāo)簽）的新數(shù)據(jù)集， 并持續(xù)不斷地將其反饋至深度學(xué)習(xí)模型中， 通過(guò)調(diào)整模型參數(shù)來(lái)不斷減少預(yù)測(cè)誤差， 提升模型的整體有效性。與此同時(shí)， 伴隨著數(shù)據(jù)倉(cāng)庫(kù)持續(xù)更新數(shù)據(jù)集， 前一審計(jì)階段更新的數(shù)據(jù)倉(cāng)庫(kù)可以傳遞至后續(xù)審計(jì)階段， 在最終的審計(jì)完成階段， 由最后一個(gè)深度神經(jīng)網(wǎng)絡(luò)輸出關(guān)于重大錯(cuò)報(bào)風(fēng)險(xiǎn)的最終判斷。如此可以將審計(jì)全流程的所有相關(guān)數(shù)據(jù)積累起來(lái)， 添加到數(shù)據(jù)倉(cāng)庫(kù)中， 以便在未來(lái)使用。數(shù)據(jù)倉(cāng)庫(kù)使用得越多， 收集并添加到倉(cāng)庫(kù)的數(shù)據(jù)越多， 深度學(xué)習(xí)模型的預(yù)測(cè)性能也就越好。

（二）面向?qū)徲?jì)業(yè)務(wù)全流程的深度學(xué)習(xí)模型集成應(yīng)用

現(xiàn)代風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)的整體流程分為審計(jì)計(jì)劃、 風(fēng)險(xiǎn)評(píng)估、 風(fēng)險(xiǎn)應(yīng)對(duì)和審計(jì)報(bào)告四個(gè)階段， 圖3顯示了審計(jì)全流程四個(gè)不同階段間的協(xié)同關(guān)系，詳細(xì)說(shuō)明了每個(gè)階段深度學(xué)習(xí)的應(yīng)用。審計(jì)過(guò)程從基于歷史數(shù)據(jù)的初始審計(jì)數(shù)據(jù)倉(cāng)庫(kù)開(kāi)始。在審計(jì)計(jì)劃階段， 隨著審計(jì)師不斷獲得反映公司情況的新數(shù)據(jù)， 審計(jì)數(shù)據(jù)倉(cāng)庫(kù)被持續(xù)更新， 并從更新的數(shù)據(jù)倉(cāng)庫(kù)中選擇數(shù)據(jù)特征來(lái)訓(xùn)練深度學(xué)習(xí)模型， 訓(xùn)練好的模型可以應(yīng)用于新輸入的數(shù)據(jù)并產(chǎn)生預(yù)測(cè)結(jié)果， 審計(jì)師基于知識(shí)和經(jīng)驗(yàn)判斷來(lái)決定是否對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行調(diào)整和優(yōu)化， 并將最終結(jié)果更新至數(shù)據(jù)倉(cāng)庫(kù)， 同時(shí)傳遞至后續(xù)的風(fēng)險(xiǎn)評(píng)估階段。類(lèi)似地， 此階段采集被審計(jì)單位及其環(huán)境的最新數(shù)據(jù)， 識(shí)別可能存在重大錯(cuò)報(bào)風(fēng)險(xiǎn)、 舞弊風(fēng)險(xiǎn)、 信息系統(tǒng)安全風(fēng)險(xiǎn)的事項(xiàng)和情況并更新數(shù)據(jù)倉(cāng)庫(kù)， 從數(shù)據(jù)倉(cāng)庫(kù)中選擇數(shù)據(jù)特征來(lái)訓(xùn)練深度學(xué)習(xí)模型， 以執(zhí)行不同的風(fēng)險(xiǎn)評(píng)估審計(jì)程序。最終的審計(jì)結(jié)果會(huì)進(jìn)一步更新數(shù)據(jù)倉(cāng)庫(kù)， 并將其傳遞到后續(xù)的風(fēng)險(xiǎn)應(yīng)對(duì)階段和審計(jì)完成階段。類(lèi)似的過(guò)程持續(xù)運(yùn)行， 最后一個(gè)階段完成后， 更新后的審計(jì)數(shù)據(jù)倉(cāng)庫(kù)將被保存和傳遞， 并作為下一年度審計(jì)的新起點(diǎn)。表1系統(tǒng)描述了不同審計(jì)階段的數(shù)據(jù)源、 數(shù)據(jù)特征及其輸出標(biāo)簽。

1. 審計(jì)計(jì)劃階段。最初的審計(jì)數(shù)據(jù)倉(cāng)庫(kù)在審計(jì)計(jì)劃之前就已經(jīng)存在。審計(jì)計(jì)劃階段需要獲取新的數(shù)據(jù)： 文本數(shù)據(jù)包括企業(yè)披露的信息、 新聞媒體和社會(huì)媒體中披露的信息， 揭示了公司在財(cái)務(wù)業(yè)績(jī)、 商業(yè)運(yùn)作和戰(zhàn)略、 管理層誠(chéng)信、 產(chǎn)品或服務(wù)質(zhì)量、 客戶(hù)滿(mǎn)意度等方面的業(yè)務(wù)情況和行業(yè)環(huán)境、 音頻數(shù)據(jù)通常包括電話會(huì)議、 股東會(huì)議、 電話和訪談錄音等、 視頻和圖像數(shù)據(jù)包括在實(shí)地的倉(cāng)庫(kù)、 商店、 辦公室或工廠拍攝的視頻、 圖像等文件。具體的如表1所示。

在這一階段， 審計(jì)師在了解客戶(hù)行業(yè)背景和業(yè)務(wù)經(jīng)營(yíng)情況的基礎(chǔ)上， 決定與客戶(hù)的契約關(guān)系。一旦審計(jì)師考慮接受新客戶(hù)或者保留老客戶(hù)， 就可以根據(jù)新的數(shù)據(jù)源收集新的數(shù)據(jù)輸入， 并添加到初始數(shù)據(jù)倉(cāng)庫(kù)。如果數(shù)據(jù)是半結(jié)構(gòu)化（如文本）的或非結(jié)構(gòu)化（如語(yǔ)音、 圖像和視頻）的， 則可利用深度學(xué)習(xí)的信息識(shí)別功能來(lái)提取關(guān)鍵特征， 并將其轉(zhuǎn)換為機(jī)器可讀的格式。深度神經(jīng)網(wǎng)絡(luò)的開(kāi)發(fā)是為了執(zhí)行各項(xiàng)審計(jì)任務(wù)， 審計(jì)計(jì)劃階段包括識(shí)別戰(zhàn)略風(fēng)險(xiǎn)與經(jīng)營(yíng)風(fēng)險(xiǎn)、 固有風(fēng)險(xiǎn)和控制風(fēng)險(xiǎn)、 確定可接受的審計(jì)風(fēng)險(xiǎn)和重要性水平等。對(duì)于每項(xiàng)任務(wù)， 深度神經(jīng)網(wǎng)絡(luò)的開(kāi)發(fā)是通過(guò)使用初始數(shù)據(jù)倉(cāng)庫(kù)的歷史數(shù)據(jù)來(lái)訓(xùn)練和驗(yàn)證模型， 并使用新的輸入數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)。例如， 為了評(píng)估戰(zhàn)略風(fēng)險(xiǎn)， 可以開(kāi)發(fā)一個(gè)深度神經(jīng)網(wǎng)絡(luò)來(lái)洞察重要的財(cái)經(jīng)媒體、 券商和機(jī)構(gòu)投資者等對(duì)公司重要戰(zhàn)略性投資帶來(lái)收入增長(zhǎng)的見(jiàn)解。上述過(guò)程中， 每個(gè)深度神經(jīng)網(wǎng)絡(luò)的輸出僅僅是對(duì)各項(xiàng)審計(jì)任務(wù)（目標(biāo)）的建議結(jié)果， 包括關(guān)于是否接受或拒絕客戶(hù)的決定、 可接受審計(jì)風(fēng)險(xiǎn)和重要性水平等?；谶@些建議結(jié)果， 審計(jì)師憑借自身的知識(shí)、 經(jīng)驗(yàn)做出相應(yīng)調(diào)整并給出最終決定， 實(shí)際結(jié)果將被記錄下來(lái)， 以便在下一階段更新數(shù)據(jù)倉(cāng)庫(kù)。

2. 風(fēng)險(xiǎn)評(píng)估階段。審計(jì)模式經(jīng)歷了“賬項(xiàng)基礎(chǔ)審計(jì)—制度基礎(chǔ)審計(jì)—風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)”的演變?，F(xiàn)代風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)的實(shí)施以風(fēng)險(xiǎn)評(píng)估為切入點(diǎn)， 對(duì)審計(jì)風(fēng)險(xiǎn)的識(shí)別、 評(píng)估和應(yīng)對(duì)貫穿于審計(jì)全過(guò)程， 以便將審計(jì)風(fēng)險(xiǎn)降低至可接受的低水平。風(fēng)險(xiǎn)評(píng)估過(guò)程中， 審計(jì)師應(yīng)當(dāng)首先了解被審計(jì)單位及其環(huán)境， 詢(xún)問(wèn)被審計(jì)單位管理層和內(nèi)部相關(guān)人員?；趯?duì)公司所處行業(yè)狀況與外部環(huán)境、 公司目標(biāo)、 戰(zhàn)略及相關(guān)經(jīng)營(yíng)風(fēng)險(xiǎn)、 公司性質(zhì)、 公司會(huì)計(jì)政策選擇等的了解， 審計(jì)師將收集新的半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)加入數(shù)據(jù)倉(cāng)庫(kù)。其中： 文本數(shù)據(jù)包括公司所處行業(yè)的市場(chǎng)競(jìng)爭(zhēng)與技術(shù)發(fā)展、 公司應(yīng)遵循的法律法規(guī)和政策監(jiān)管等相關(guān)文件、 公司內(nèi)部控制手冊(cè)、 內(nèi)部控制評(píng)價(jià)過(guò)程文件、 內(nèi)部控制執(zhí)行過(guò)程相關(guān)記錄； 音頻數(shù)據(jù)包括對(duì)于公司行業(yè)發(fā)展、 戰(zhàn)略目標(biāo)及其經(jīng)營(yíng)狀況， 對(duì)管理層和工作人員進(jìn)行詢(xún)問(wèn)的錄音等； 視頻和圖像數(shù)據(jù)包括捕捉業(yè)務(wù)流程的視頻和圖像剪輯， 如庫(kù)存檢查和盤(pán)點(diǎn)活動(dòng)的錄像； 結(jié)構(gòu)化數(shù)據(jù)包括反映公司所處行業(yè)競(jìng)爭(zhēng)狀況、 公司戰(zhàn)略發(fā)展?fàn)顩r以及衡量?jī)?nèi)部控制有效性等的定量指標(biāo)， 如行業(yè)競(jìng)爭(zhēng)度、 公司戰(zhàn)略目標(biāo)、 內(nèi)部控制缺陷數(shù)等。

可以利用深度學(xué)習(xí)的方法獲取上述多源異構(gòu)的數(shù)據(jù)： 根據(jù)信息識(shí)別功能， 通過(guò)對(duì)管理層和執(zhí)行人員的訪談， 從受訪者的肢體語(yǔ)言和聲音變化等來(lái)洞察潛在的管理層誠(chéng)信情況； 根據(jù)決策判斷功能， 從受訪者回答的內(nèi)容中識(shí)別出潛在的數(shù)據(jù)特征， 并預(yù)測(cè)出可能的欺詐行為。數(shù)據(jù)倉(cāng)庫(kù)輸出的標(biāo)簽包含審計(jì)師對(duì)重大錯(cuò)報(bào)風(fēng)險(xiǎn)的評(píng)估、 內(nèi)部控制基本情況的了解、 舞弊導(dǎo)致的重大錯(cuò)報(bào)風(fēng)險(xiǎn)等。

在審計(jì)風(fēng)險(xiǎn)識(shí)別過(guò)程中， 一旦獲得新的數(shù)據(jù)并擴(kuò)充至審計(jì)數(shù)據(jù)倉(cāng)庫(kù)， 就可以建立深度神經(jīng)網(wǎng)絡(luò)模型來(lái)執(zhí)行重大錯(cuò)報(bào)風(fēng)險(xiǎn)的識(shí)別、 評(píng)估與再評(píng)估以及后續(xù)行動(dòng)等各項(xiàng)審計(jì)任務(wù)。對(duì)于重大錯(cuò)報(bào)風(fēng)險(xiǎn)評(píng)估， 審計(jì)師將機(jī)器學(xué)習(xí)模型預(yù)測(cè)的重大錯(cuò)報(bào)風(fēng)險(xiǎn)視為建議結(jié)果， 結(jié)合自身的知識(shí)和經(jīng)驗(yàn)判斷給出風(fēng)險(xiǎn)水平的最終結(jié)果， 該結(jié)果將被用于調(diào)整神經(jīng)網(wǎng)絡(luò)模型并更新數(shù)據(jù)倉(cāng)庫(kù)。同樣地， 了解內(nèi)部控制情況可建立一個(gè)深度神經(jīng)網(wǎng)絡(luò)， 即先構(gòu)建一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型， 檢查所有商業(yè)文件的批準(zhǔn)簽名、 印章等情況， 同時(shí)建立另一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型， 審查各個(gè)部門(mén)確認(rèn)設(shè)備的視頻記錄， 兩者相互印證來(lái)驗(yàn)證公司內(nèi)部控制的基本情況， 并將結(jié)果納入數(shù)據(jù)倉(cāng)庫(kù)。隨后， 審計(jì)師應(yīng)用深度神經(jīng)網(wǎng)絡(luò)， 根據(jù)更新的數(shù)據(jù)對(duì)重大錯(cuò)報(bào)風(fēng)險(xiǎn)進(jìn)行重新評(píng)估， 重新評(píng)估的模型預(yù)測(cè)結(jié)果供審計(jì)師作為決策參考并最終確定重大錯(cuò)報(bào)風(fēng)險(xiǎn)水平， 更新至數(shù)據(jù)倉(cāng)庫(kù)。最后， 以更新后的數(shù)據(jù)倉(cāng)庫(kù)為基礎(chǔ)， 利用深度學(xué)習(xí)技術(shù)構(gòu)建模型來(lái)預(yù)測(cè)后續(xù)額外的控制測(cè)試和實(shí)質(zhì)性程序。

3. 風(fēng)險(xiǎn)應(yīng)對(duì)階段。大數(shù)據(jù)環(huán)境對(duì)控制測(cè)試和實(shí)質(zhì)性測(cè)試產(chǎn)生深刻影響。在控制測(cè)試方面， 信息系統(tǒng)作為生產(chǎn)數(shù)據(jù)的“工廠”， 為提高被審單位數(shù)據(jù)的真實(shí)性和可靠性， 信息系統(tǒng)審計(jì)成為不可或缺的重要組成部分， 控制測(cè)試甚至有可能會(huì)被信息系統(tǒng)審計(jì)所取代。在實(shí)質(zhì)性測(cè)試方面， 數(shù)據(jù)分析技術(shù)的快速發(fā)展促使審計(jì)數(shù)據(jù)分析能力大幅提升， 驅(qū)使著抽樣審計(jì)向全樣本數(shù)據(jù)審計(jì)轉(zhuǎn)變， 而且， 基于深度學(xué)習(xí)強(qiáng)大的信息識(shí)別功能， 文本、 圖片、 音頻、 視頻等新型審計(jì)證據(jù)不斷融入， 傳統(tǒng)的基于結(jié)構(gòu)化財(cái)務(wù)數(shù)據(jù)的審計(jì)轉(zhuǎn)向面向全域大數(shù)據(jù)的審計(jì)。如利用掃描和光學(xué)字符識(shí)別（OCR）技術(shù)來(lái)審核半結(jié)構(gòu)化的合同文本， 估計(jì)與預(yù)測(cè)公司營(yíng)業(yè)收入； 利用海量全域大數(shù)據(jù)分析， 開(kāi)展全樣本審計(jì)； 利用智能合同和持續(xù)性監(jiān)控技術(shù)， 實(shí)現(xiàn)合同執(zhí)行監(jiān)督和過(guò)程偏差自動(dòng)監(jiān)控； 利用GPS衛(wèi)星定位技術(shù)監(jiān)控停車(chē)場(chǎng)數(shù)據(jù)或跟蹤商品物流等數(shù)據(jù)，估計(jì)被審單位的銷(xiāo)售收入； 利用物聯(lián)網(wǎng)和傳感器技術(shù)， 記錄物聯(lián)網(wǎng)設(shè)備使用情況， 驗(yàn)證被審單位數(shù)據(jù)的真實(shí)性、 可靠性?；谏疃葘W(xué)習(xí)模型構(gòu)建的審計(jì)數(shù)據(jù)倉(cāng)庫(kù)包含了審計(jì)實(shí)質(zhì)性程序所需的全面證據(jù)， 包括文本文件（應(yīng)收賬款余額的客戶(hù)函證、 采購(gòu)訂單、 銷(xiāo)售發(fā)票、 運(yùn)輸文件、 董事會(huì)會(huì)議記錄和電子郵件、 內(nèi)部控制自我評(píng)估報(bào)告、 內(nèi)部控制缺陷披露）、 音頻文件（電話會(huì)議、 董事會(huì)會(huì)議、 對(duì)管理人員和內(nèi)部其他人員的詢(xún)問(wèn)等）、 視頻文件（庫(kù)存盤(pán)點(diǎn)和固定資產(chǎn)檢查）和圖像文件（支票、 收據(jù)、 銀行對(duì)賬單以及生產(chǎn)運(yùn)營(yíng)過(guò)程的監(jiān)控圖像）。此外， 還有結(jié)構(gòu)化數(shù)據(jù)， ERP系統(tǒng)中各類(lèi)日記賬、 明細(xì)賬、 總賬等的會(huì)計(jì)記錄、 試算表和其他文件。輸出（標(biāo)簽）包括內(nèi)部控制測(cè)試和實(shí)質(zhì)性程序的建議、 實(shí)質(zhì)性測(cè)試結(jié)果、 審計(jì)證據(jù)充分性和適當(dāng)性的評(píng)估結(jié)果以及審計(jì)師后續(xù)行動(dòng)的建議等。

通過(guò)深度學(xué)習(xí)的信息識(shí)別和判斷支持功能， 一些實(shí)質(zhì)性測(cè)試可以自動(dòng)進(jìn)行。如要求供應(yīng)商書(shū)面確認(rèn)截至資產(chǎn)負(fù)債表日的應(yīng)付賬款的細(xì)節(jié)， 審查確認(rèn)函作為應(yīng)付賬款負(fù)債證據(jù)， 以確保負(fù)債總額與客戶(hù)的會(huì)計(jì)記錄相符； 還可通過(guò)無(wú)人機(jī)拍攝客戶(hù)存貨情況來(lái)評(píng)估存貨資產(chǎn)的狀況。實(shí)質(zhì)性測(cè)試階段還有一項(xiàng)重要任務(wù)就是評(píng)估審計(jì)證據(jù)的充分性和適當(dāng)性?；趯徲?jì)數(shù)據(jù)倉(cāng)庫(kù)中的海量歷史數(shù)據(jù)所訓(xùn)練出來(lái)的深度神經(jīng)網(wǎng)絡(luò)， 能夠幫助審計(jì)師確定當(dāng)前審計(jì)證據(jù)對(duì)特定審計(jì)目標(biāo)是否充分， 并提供是否要獲得更多的證據(jù)、 收集哪些類(lèi)型的證據(jù)以及是否進(jìn)行額外的實(shí)質(zhì)性測(cè)試以獲得新證據(jù)等后續(xù)建議。審計(jì)師據(jù)此采取實(shí)際行動(dòng)用來(lái)調(diào)整優(yōu)化神經(jīng)網(wǎng)絡(luò)， 相關(guān)結(jié)果也會(huì)再次更新至數(shù)據(jù)倉(cāng)庫(kù)， 所有工作最終都可以通過(guò)深度學(xué)習(xí)實(shí)現(xiàn)自動(dòng)化。

4. 審計(jì)完成階段。審計(jì)的最后階段是完成審計(jì)和報(bào)告結(jié)果。該階段的初始數(shù)據(jù)倉(cāng)庫(kù)輸入的數(shù)據(jù)源包括律師函、 代理函、 資產(chǎn)負(fù)債表日期后發(fā)布的內(nèi)部聲明， 或與管理層就未記錄的或有事項(xiàng)進(jìn)行訪談的視頻和音頻記錄， 輸出的標(biāo)簽是公司是否存在重大錯(cuò)報(bào)。

在這一階段， 可以利用深度學(xué)習(xí)技術(shù)自動(dòng)執(zhí)行一些額外的審計(jì)程序， 為審計(jì)提供新的證據(jù)。如為了實(shí)現(xiàn)財(cái)務(wù)報(bào)告的列報(bào)和披露是否充分的審計(jì)目標(biāo)， 可以訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)來(lái)審查債務(wù)合同， 以確定應(yīng)收賬款是否被抵押， 評(píng)估與債務(wù)的發(fā)生和權(quán)利相關(guān)的管理層認(rèn)定； 可以用其來(lái)閱讀財(cái)務(wù)報(bào)表附注， 以確定資產(chǎn)的分類(lèi)是否正確； 可以用其審查資產(chǎn)負(fù)債表日期之后編制的內(nèi)部報(bào)表， 以提供資產(chǎn)負(fù)債表日后事項(xiàng)的審計(jì)證據(jù)； 可以提取律師函中的重要信息， 以獲取有關(guān)或有負(fù)債的證據(jù)。至此， 審計(jì)數(shù)據(jù)倉(cāng)庫(kù)保存了整個(gè)審計(jì)過(guò)程中除最終審計(jì)意見(jiàn)之外的所有數(shù)據(jù)， 并構(gòu)建最終的深度神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)重大錯(cuò)報(bào)風(fēng)險(xiǎn)， 審計(jì)師對(duì)重大錯(cuò)報(bào)風(fēng)險(xiǎn)水平做出最終決定， 將模型預(yù)測(cè)值和審計(jì)師最終確定的重大錯(cuò)報(bào)風(fēng)險(xiǎn)進(jìn)行對(duì)比測(cè)試， 實(shí)現(xiàn)預(yù)測(cè)模型的自我學(xué)習(xí)和自我優(yōu)化， 相關(guān)學(xué)習(xí)的輸出結(jié)果反饋更新至數(shù)據(jù)倉(cāng)庫(kù)。最終， 審計(jì)師將根據(jù)最后確定的重大錯(cuò)報(bào)風(fēng)險(xiǎn)獨(dú)立發(fā)表審計(jì)意見(jiàn)， 出具審計(jì)報(bào)告。

六、 研究結(jié)論與啟示

深度學(xué)習(xí)在文本理解、 語(yǔ)音識(shí)別、 視覺(jué)識(shí)別等領(lǐng)域的優(yōu)勢(shì)使其具有對(duì)半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的信息識(shí)別能力， 拓展了審計(jì)證據(jù)的時(shí)空范圍。同時(shí)， 其對(duì)海量數(shù)據(jù)強(qiáng)大的預(yù)測(cè)分析能力也使其能夠?yàn)閺?fù)雜審計(jì)決策提供良好的判斷支持。這兩大能力極大地拓展了審計(jì)證據(jù)的范圍， 改善了審計(jì)決策機(jī)制， 有助于提升審計(jì)效率和審計(jì)質(zhì)量。文章基于深度學(xué)習(xí)模型的信息識(shí)別功能和判斷支持功能， 將深度學(xué)習(xí)的智能分析與審計(jì)師的經(jīng)驗(yàn)修正有效融合， 不斷擴(kuò)充、 更新、 迭代審計(jì)數(shù)據(jù)倉(cāng)庫(kù)， 為基于數(shù)據(jù)驅(qū)動(dòng)的深度神經(jīng)網(wǎng)絡(luò)提供更好的預(yù)測(cè)性能。面向?qū)徲?jì)業(yè)務(wù)全流程， 構(gòu)建深度學(xué)習(xí)模型應(yīng)用于審計(jì)業(yè)務(wù)不同階段的集成性、 整合性框架， 以便更好地指導(dǎo)和推動(dòng)深度學(xué)習(xí)模型在審計(jì)方面的實(shí)際應(yīng)用。為了進(jìn)一步推動(dòng)在不同審計(jì)階段、 不同審計(jì)目標(biāo)下深度學(xué)習(xí)模型的審計(jì)應(yīng)用， 本文認(rèn)為下列問(wèn)題值得進(jìn)一步探索：

一是如何及時(shí)、 高效地收集全面完整的內(nèi)外部全域?qū)徲?jì)大數(shù)據(jù)， 并建立深度學(xué)習(xí)模型所需的數(shù)據(jù)倉(cāng)庫(kù)。深度學(xué)習(xí)模型是基于數(shù)據(jù)驅(qū)動(dòng)的， 為了提升模型訓(xùn)練效果， 需要在傳統(tǒng)審計(jì)文件的基礎(chǔ)上， 通過(guò)深度學(xué)習(xí)的文本理解、 語(yǔ)音識(shí)別和視覺(jué)識(shí)別等技術(shù)， 吸納更多的源自射頻識(shí)別傳感器、 視頻和音頻文件等的非結(jié)構(gòu)化數(shù)據(jù)， 確保審計(jì)數(shù)據(jù)倉(cāng)庫(kù)的完整性， 并在會(huì)計(jì)師事務(wù)所內(nèi)部建立高效且兼顧成本效益的信息共享機(jī)制， 關(guān)注數(shù)據(jù)安全和隱私保護(hù)。

二是如何破解缺少標(biāo)簽化數(shù)據(jù)的應(yīng)用瓶頸。深度學(xué)習(xí)模型訓(xùn)練是由大量帶有標(biāo)簽的數(shù)據(jù)集推動(dòng)的， 現(xiàn)實(shí)情境下很難使所有的數(shù)據(jù)都有預(yù)定義的特征來(lái)標(biāo)記。例如， 為了構(gòu)建一個(gè)深度學(xué)習(xí)模型， 識(shí)別電話會(huì)議中管理者語(yǔ)言的情感特征， 需要審計(jì)師或?qū)I(yè)領(lǐng)域人員花費(fèi)大量的時(shí)間精力來(lái)辨識(shí)管理者陳述的語(yǔ)氣特征， 并標(biāo)識(shí)出相應(yīng)的情感分類(lèi)標(biāo)簽。此時(shí)， 如何利用有限的帶有標(biāo)簽的審計(jì)數(shù)據(jù)， 來(lái)訓(xùn)練高性能的深度學(xué)習(xí)模型顯得尤為重要。無(wú)監(jiān)督、 半監(jiān)督和一次性學(xué)習(xí)技術(shù)能夠用大量的無(wú)標(biāo)簽數(shù)據(jù)來(lái)補(bǔ)充少量的標(biāo)簽數(shù)據(jù)， 從而為破解深度學(xué)習(xí)模型應(yīng)用缺少標(biāo)簽化數(shù)據(jù)這一難題提供了解決思路和技術(shù)方案。

三是如何制定指導(dǎo)新興技術(shù)審計(jì)應(yīng)用的標(biāo)準(zhǔn)。大數(shù)據(jù)、 云計(jì)算、 人工智能等新一代信息技術(shù)驅(qū)動(dòng)下的數(shù)字化轉(zhuǎn)型， 使得審計(jì)過(guò)程越來(lái)越多地使用深度學(xué)習(xí)和其他數(shù)據(jù)分析技術(shù)， 這將改變審計(jì)證據(jù)的數(shù)量和類(lèi)型、 審計(jì)程序和方法以及專(zhuān)業(yè)判斷的性質(zhì)和依據(jù)， 要求相關(guān)準(zhǔn)則制定機(jī)構(gòu)必須重新考慮審計(jì)標(biāo)準(zhǔn)， 以便能科學(xué)指導(dǎo)和有效應(yīng)用這些技術(shù)。早在2016年國(guó)際審計(jì)與鑒證準(zhǔn)則理事會(huì)（IAASB）的數(shù)據(jù)分析工作組就已經(jīng)起草了新的國(guó)際審計(jì)準(zhǔn)則， 并向相關(guān)方征求意見(jiàn)。

四是如何拓展審計(jì)師的知識(shí)和能力結(jié)構(gòu)以適應(yīng)數(shù)字化轉(zhuǎn)型。盡管新技術(shù)為審計(jì)師提供了大量有用的數(shù)據(jù)， 但也帶來(lái)了巨大的應(yīng)用挑戰(zhàn)， 改變了審計(jì)團(tuán)隊(duì)的知識(shí)結(jié)構(gòu)和互動(dòng)方式， 需要審計(jì)師掌握數(shù)據(jù)分析的相關(guān)知識(shí)和技能， 在海量數(shù)據(jù)中“去偽存真、 去粗取精”， 以洞察海量數(shù)據(jù)背后隱藏的特征和規(guī)律。雖然審計(jì)師不必成為數(shù)據(jù)科學(xué)家或機(jī)器學(xué)習(xí)專(zhuān)家， 但需要掌握統(tǒng)計(jì)學(xué)、 機(jī)器學(xué)習(xí)、 數(shù)據(jù)分析和編程方面的基礎(chǔ)知識(shí)和技能， 以便能夠與機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的專(zhuān)業(yè)人士進(jìn)行有效的溝通交流和分工合作， 為深度學(xué)習(xí)模型審計(jì)應(yīng)用的優(yōu)化提供專(zhuān)業(yè)建議和知識(shí)支持。

【 主 要 參 考 文 獻(xiàn) 】

Hinton G. E.， Salakhutdinov R.. Reducing the dimensionality of data with neural networks［J］． Science，2006（31）：3504 ～ 3507．

Mitchell T. M.. The discipline of machine learning ［M］．Pittsburgh，PA：Carnegie Mellon University，2006．

Sun T.， M. A. Vasarhelyi. Deep learning and the future of auditing：How an evolving technology could transform analysis and improve judgment［ J］．The CPA Journal，2017（6）：24 ～ 29．

Ting（Sophia） Sun. Applying deep learning to Audit Procedures：An illustrative framework［ J］． Accounting Horizons，2019（3）：89 ～ 109．

【基金項(xiàng)目】財(cái)政部全國(guó)會(huì)計(jì)重點(diǎn)課題“基于大數(shù)據(jù)的多維度價(jià)值創(chuàng)造報(bào)告與決策體系”（項(xiàng)目編號(hào)：2020ASC009）

【作者單位】1.合肥工業(yè)大學(xué)管理學(xué)院，合肥 230009；2.合肥工業(yè)大學(xué)經(jīng)濟(jì)學(xué)院，合肥 230601