احمدی، سیدجلال؛ فغانی ماکرانی، خسرو؛ فاضلی، نقی. (1403). تکنیکهای دادهکاوی و پیشبینی تقلب صورتهای مالی. دانش حسابداری و حسابرسی مدیریت، 13(52)، 15-28.
باقریان کاسگری، عباس؛ رئیسی وانانی، ایمان؛ امیری، مقصود؛ همایون، سعید. (1403). شناسایی تقلب مالی در شرکتهای سهامیعام با استفاده معیارهای مالی وغیرمالی با رویکرد یادگیری ماشین. مطالعات مدیریت کسب و کار هوشمند، 13(50)، 99-142. doi: 10.22054/ims.2024.78018.2434
حضوری، علی؛ میرزایی، عباس؛ عفت پرور، مهدی. (1404). یک مرور جامع بر سیستمهای تشخیص نفوذ با پیشرفتهای یادگیری ماشین، یادگیری عمیق و چالشهای نوظهور امنیت سایبری. دیسکاور مصنوعی هوش، ۵(۱)، ۳۱۴.
رحمانی، علی؛ معنوی، سمیرا؛ حدادی، نفیسه. (1404). ادغام هوش مصنوعی در حسابرسی؛ چالشها و مزایا. حسابرسی سیستمها و فناوری اطلاعات. 1(1)، 1-27. doi: 10.22034/jista.2025.528769.1051
رضائی پیته نوئی، یاسر؛ اصغری شلمانی، مصطفی؛ دلیری دهبنه، حسین. (1400). معرفی یک چارچوب مناسب سازماندهی برای کاربردهای داده کاوی در حسابداری و حسابرسی: مروری بر تکنیکهای پرکاربرد طبقه بندی دادههای مالی. نشریه علمی رویکردهای پژوهشی نوین مدیریت و حسابداری، 5(19)، 1507-1525. https://www.majournal.ir/index.php/ma/article/view/1207
رهنمای رودپشتی، فریدون. (1391). دادهکاوی و کشف تقلبهای مالی. دانش حسابداری و حسابرسی مدیریت، 1(3)، 17-33. https://www.jmaak.ir/article_7349.html.
سلطانی، مریم؛ محمدی نژاد، زهرا؛ حسام محسنی، عبدالرضا. (1402). ارزیابی الگوریتم مسیریابی .BGP پنجمین کنفرانس بینالمللی محاسبات نرم. .https://civilica.com/doc/1967023/
فضلزاده، علیرضا؛ حقیقت، جعفر؛ پورکیوان، فرانک؛ احمدیان، وحید. (1398). آزمون عملکرد الگوریتم جنگلهای تصادفی و الگوریتم شبکه عصبی عمیق در استراتژی آربیتراژ آماری. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 10(40)، 349-364. https://sid.ir/paper/197626/fa
کاظمی، توحید؛ پیری، پرویز. (1401). پیشبینی طرح تقلب در گزارشگری مالی با استفاده از رویکرد یادگیری ماشین در فضای چند کلاسه. پژوهشهای تجربی حسابداری، 12(4)، 280-255.
کریمی فر، ابوطالب؛ دارابی، رویا؛ حمیدیان، محسن. (1404). بررسی عملکرد رویکردهای رگرسیون و یادگیری عمیق برای کشف تقلب صورتهای مالی با تمرکز بر ابعاد فشار/ انگیزه و فرصت. پژوهشهای تجربی حسابداری، 15(3)، 282 -241.
Ahmadi, S.J., Faghani Makarani, K., & Fazeli, N. (2024). Data mining techniques and financial statement fraud prediction. Journal of Management Accounting and Auditing Knowledge, 13(52), 15–28. https://www.iaaaas.com/article_223291.html (in Persian)
Alsalmi, E., Alhuzali, A., & Alhothali, A. (2025). Log-based anomaly detection of system logs using graph neural network. Computers, Materials and Continua, 86(2), 1–20.
Bagherian Kasegari, A., Raeisi Vanani, I., Amiri, M., & Homayoun, S. (2024). Detection of financial fraud in public companies using financial and non-financial criteria with a machine learning approach. Intelligent Business Management Studies, 13(50), 99–142. https://ims.atu.ac.ir/article_18048.html (in Persian)
Chacko, N., Ravichandaran, M., Rao, R., & Chandra Shenoi, S. (2012). An anomalous cooling event observed in the Bay of Bengal during June 2009. Ocean Dynamics, 62(5), 671–681.
Chalapathy, R., & Chawla, S. (2019). Deep learning for anomaly detection: A survey. arXiv preprint, arXiv:1901.03407.
Chen, Y., Zhao, C., Xu, Y., Nie, C., & Zhang, Y. (2025). Deep learning in financial fraud detection: Innovations, challenges, and applications. Data Science and Management.
De la Cruz Cabello, M., Sales, T., & Machado, M. (2025). AIOps for log anomaly detection in the era of LLMs: A systematic literature review. Intelligent Systems with Applications, 200608.
De Vries, T. (2022). Anomaly detection in IT audit: The possibilities and potential in the domain of IT audit [Master’s thesis, University of Turku].
Dzuranin, A. C., & Mălăescu, I. (2016). The current state and future direction of IT audit: Challenges and opportunities. Journal of Information Systems, 30(1), 7–20.
Fazlzadeh, A., Haghighat, J., Pourkian, F., & Ahmadian, V. (2019). Testing the performance of the random forest algorithm and the deep neural network algorithm in a statistical arbitrage strategy. Financial Engineering and Securities Management, 10(40), 349–364. https://sid.ir/paper/197626/fa (in Persian)
Gantz, S. D. (2013). The basics of IT audit: Purposes, processes, and practical information. Elsevier.
Hasan, M. T., & Ahmed, I. (2025). AI-driven anomaly detection for data loss prevention and security assurance in electronic health records. Review of Applied Science and Technology, 4(3), 35–67.
Hilal, W., Gadsden, S., & Yawney, J. (2022). Financial fraud: A review of anomaly detection techniques and recent advances. Expert Systems with Applications, 193, 116429.
Hozouri, A., Mirzaei, A., & Effatparvar, M. (2025). A comprehensive survey on intrusion detection systems with advances in machine learning, deep learning and emerging cybersecurity challenges. Discover Artificial Intelligence, 5(1), 314. (in Persian)
Kakavand Teimoory, G., Keyvanpour, M. R., & Ghaebi, M. (2025). Explainable diabetes prediction via hybrid data preprocessing and ensemble learning. International Journal of Web Research, 8(4), 51–66.
Karimi Far, A., Darabi, R., & Hamidian, M. (2025). Evaluating the efficiency of regression and deep learning approaches in detecting financial statement fraud with a focus on the justification dimension. Accounting and Auditing Studies, 15(3), 241-282. https://journals.alzahra.ac.ir/article_8266.html?lang=en (in Persian)
Kazemi, T., & Piri, M. (2022). Predicting financial reporting fraud schemes using a multi-class machine learning approach. Empirical Research in Accounting, 12(4), 255–280. https://jera.alzahra.ac.ir/article_6880.html (in Persian)
Mohan, C. K., & Mehrotra, K. G. (2017). Anomaly detection in banking operations. IDRBT Journal, 16.
Motie, S., & Raahemi, B. (2024). Financial fraud detection using graph neural networks: A systematic review. Expert Systems with Applications, 240, 122156.
Niu, W., Liao, X., Huang, S., Li, Y., Zhang, X., & Li, B. (2024). A robust wide and deep learning framework for log-based anomaly detection. Applied Soft Computing, 153, 111314.
Okolie, S., Amadi, C., Odii, J., Nwokorie, E., & Onyemauche, U. (2025). Anomaly detection in heterogeneous cybersecurity data. Franklin Open, 100426.
Patel, T., & Iyer, S. S. (2025). SiaDNN: Siamese deep neural network for anomaly detection in user behavior. Knowledge-Based Systems, 113769.
Pinto, S. O. & Sobreiro, V. A. (2022). Literature review: Anomaly detection approaches on digital business financial systems. Digital Business, 2(2), 100038.
Quinn, M., & Strauss, E. (2018). The Routledge companion to accounting information systems. Routledge.
Rahmani, A., Manavi, S., & Haddadi, N. (2025). Integrating artificial intelligence into auditing: Challenges and benefits. Systems Auditing and Information Technology, 1(1), 1–27. (in Persian)
Rahnamay Roudposhti, F. (2012). Data mining and financial fraud detection. Knowledge of Accounting and Management Auditing, 1(3), 17–33. https://sid.ir/paper/238039/fa (in Persian)
Ram, Murugan & Khamar (2024). AI-driven network anomaly detection for enhanced cybersecurity and performance. Proceedings of the 9th International Conference on Communication and Electronics Systems (ICCES), IEEE.
Rezaei Pithenoei, Y., Asghari Shalmani, M., & Deliridehbaneh, H. (2021). Introducing a suitable organizing framework for data mining applications in accounting and auditing: A review of popular techniques for financial data classification. Journal of Modern Research Approaches in Management and Accounting, 5(19), 1507–1525. https://www.majournal.ir/index.php/ma/article/view/1207 (in Persian)
Romney, M. B., Stainbart, P. G., Summers, S. L., & Wood, D. A. (2006). Accounting information systems. Prentice Hall.
Soltani, M., Mohammadinejhad, Z., & Mohseni, A. H. (2024). BGP routing algorithm evaluation. International Conference on Soft Computing. https://civilica.com/doc/1967023/ (in Persian)
Sun, Y., Keung, J., Yang, Z., Liu, S., & Liao, Y. (2025). SemiSMAC: A semi-supervised framework for log anomaly detection with automated hyperparameter tuning. Information and Software Technology, 107869.
Thiprungsri, S., & Vasarhelyi, M. A. (2011). Cluster analysis for anomaly detection in accounting data: An audit approach. International Journal of Digital Accounting Research, 11.
Uchida, H., Tominaga, K., Itai, H., Li, Y., & Nakatoh, Y. (2024). Improving log anomaly detection via spatial pooling: Combining SPClassifier with ensemble method. Cognitive Robotics, 4, 217–227.
Wu, J., Zhang, S., Liu, H., & Yang, W. (2025). AAR-Log: A robust log anomaly detection method resisting adversarial attacks. Computer Networks, 111471.
