随机森林深度集成方法用于税务审计案例筛选 杨凯与 陈旭

《Applied Sciences》：Random Forest Deep Ensemble for Tax Audit Case Selection Ke Yang and Xu Chen

　　

摘要

税收是一个国家财政收入的主要来源。通过各种手段，已经报告了无数税收欺诈行为。本文提出了一种三阶段的随机森林深度集成算法，用于选择税务审计案例。该框架结合了基于类别的有限下采样、随机森林基础学习器和深度信念网络集成。从随机森林阶段到深度信念网络阶段的转换被明确建模为一个堆叠过程：K个CART基础分类器的标量输出被串联成一个K维的元特征向量，然后由深度信念网络元学习器进行学习。研究进一步介绍了TXFCN数据集、一种名为RCITA的成本效益导向指标、交叉验证的鲁棒性检查、特征重要性解释，以及与样本选择偏差和外部有效性相关的限制。在税收欺诈数据集上的实证评估表明，所提出的方法在检测潜在税收欺诈方面具有显著优势。