交易异常检测，从序列信号走向可解释复核

单笔记录之外，还有动态关系

有些异常并不来自单笔金额，而来自交易发生的时间、关联对象或连续行为变化。序列建模的意义，是把记录放回上下文，观察局部规则难以直接表达的组合模式。与此同时，正常业务也会因季节、组织变化或一次性事项而偏离历史模式。

因此，异常检测系统应当优先帮助安排复核顺序。它需要说明与什么基线相比出现偏离，并把相关材料交给专业人员，而不是把概率分数直接翻译成确定性的违规判断。

注意力模型能提供什么

多头自注意力异常检测论文将动态记录组织为时序表示，通过嵌入与位置编码表达输入，再用多头注意力捕捉序列依赖。这种架构为复杂动态关系提供了一种建模思路，但模型形式本身并不能保证数据具有业务代表性。^[1]

一个重要限制是：该文实验部分选择的是 Enron Email Dataset，本质上是企业邮件通信数据。邮件交互模式与真实会计分录、银行流水并非同一种观测对象。因此，本文仅将其作为序列建模方法的讨论材料，不把文中分数视为账务异常检测的有效性证明。^[1]

解释特征贡献，也要检查解释本身

XAI in Auditing 介绍了 LIME、SHAP 等解释技术，并讨论它们如何帮助理解审计模型的预测。局部解释可以提示哪些输入影响了某次预测，全局分析则帮助观察模型整体依赖哪些特征。两者服务于不同问题，不能相互替代。^[2]

解释也需要验证。相关特征、替代变量以及不稳定的局部拟合，都可能让归因产生误导。一个特征对模型预测有较大贡献，不意味着它在真实世界中导致了风险，更不意味着改变这个特征就能消除风险。注意力权重同样不应被直接当作因果解释。

真实账务验证需要重新开始

迁移到企业账务时，首先需要合法取得且范围明确的数据、能够追溯的专业标签，以及不泄漏未来信息的时间切分。数据准备、特征构建和阈值选择，都必须只使用相应阶段可见的信息。对少数异常的检测，还要结合复核资源观察误报带来的实际工作量。

• 把正常业务变化、数据录入错误和潜在风险分别标注，避免混为一种异常。
• 同时检查召回、误报、解释稳定性和专业人员处理时间。
• 持续观察数据漂移，业务口径改变时重新验证阈值与模型。

把模型放在调查流程之中

专业复核者应能查看原始记录、模型分数、解释结果和业务方说明，并记录最终处理原因。若无法获得有代表性的数据和可靠标签，应把系统限定为探索性辅助，而不声称已经具备生产级风险识别能力。对异常检测来说，诚实界定证据强度本身就是可靠性的一部分。