論文の概要: A Policy-oriented Agent-based Model of Recruitment into Organized Crime

• arxiv url: http://arxiv.org/abs/2001.03494v1
• Date: Fri, 10 Jan 2020 15:06:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 07:19:24.355920
• Title: A Policy-oriented Agent-based Model of Recruitment into Organized Crime
• Title（参考訳）: 政策指向エージェントに基づく組織犯罪への採用モデル
• Authors: Gian Maria Campedelli, Francesco Calderoni, Mario Paolucci, Tommaso Comunale, Daniele Vilone, Federico Cecconi, and Giulia Andrighetto
• Abstract要約: 本研究では,パレルモ地区(シチリア)を模擬したエージェントベースモデル(ABM)の形式化,開発,分析を提案する。 分析対象地域の社会・経済・犯罪状況に関する実証データを用いて,このシナリオをシミュレートするために多層ネットワークアプローチを用いる。 最終目標として,組織犯罪グループ(OCG)への採用対策として,さまざまな政策を試行する。
• 参考スコア（独自算出の注目度）: 0.6332429219530602
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Criminal organizations exploit their presence on territories and local communities to recruit new workforce in order to carry out their criminal activities and business. The ability to attract individuals is crucial for maintaining power and control over the territories in which these groups are settled. This study proposes the formalization, development and analysis of an agent-based model (ABM) that simulates a neighborhood of Palermo (Sicily) with the aim to understand the pathways that lead individuals to recruitment into organized crime groups (OCGs). Using empirical data on social, economic and criminal conditions of the area under analysis, we use a multi-layer network approach to simulate this scenario. As the final goal, we test different policies to counter recruitment into OCGs. These scenarios are based on two different dimensions of prevention and intervention: (i) primary and secondary socialization and (ii) law enforcement targeting strategies.
• Abstract（参考訳）: 犯罪組織は、彼らの犯罪活動と事業を実行するために、地域や地域社会における彼らの存在を利用して新しい労働者を募集している。 個人を引き付ける能力は、これらの集団が定住する領域の権力と支配を維持するために不可欠である。 本研究では,パレルモ地区(シチリア)を模擬したエージェントベースモデル(ABM)の形式化,開発,分析を行い,個人を組織犯罪グループ(OCG)に採用する経路を理解することを目的とする。 分析対象地域の社会・経済・犯罪状況に関する実証データを用いて,このシナリオをシミュレートするために多層ネットワークアプローチを用いる。 最終目標として、OCGへの採用に対抗すべく、さまざまな政策を試す。 これらのシナリオは、予防と介入の2つの異なる次元に基づいている。 (i)第一・第二の社会化及び 二 法執行機関の戦略

関連論文リスト

• Navigating the Risks: A Survey of Security, Privacy, and Ethics Threats in LLM-Based Agents [67.07177243654485]
  この調査は、大規模言語モデルに基づくエージェントが直面するさまざまな脅威を収集、分析する。 LLMをベースとしたエージェントの6つの重要な特徴を概説する。 4つの代表エージェントをケーススタディとして選択し,実践的に直面する可能性のあるリスクを分析した。
  論文  参考訳（メタデータ） (2024-11-14T15:40:04Z)
• ROMA-iQSS: An Objective Alignment Approach via State-Based Value Learning and ROund-Robin Multi-Agent Scheduling [44.276285521929424]
  本稿では,エージェントが独立して最適な状態を発見できる分散状態ベース価値学習アルゴリズムを提案する。 我々の理論分析は、我々のアプローチが分散化されたエージェントを最適な集団政策へと導くことを示している。 さらに実験により,本手法が既存の分散状態ベースおよび行動ベース価値学習戦略より優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-05T09:39:47Z)
• Quantifying Agent Interaction in Multi-agent Reinforcement Learning for Cost-efficient Generalization [63.554226552130054]
  マルチエージェント強化学習(MARL)における一般化の課題 エージェントが未確認のコプレイヤーに影響される程度は、エージェントのポリシーと特定のシナリオに依存する。 与えられたシナリオと環境におけるエージェント間の相互作用強度を定量化する指標であるLoI(Level of Influence)を提示する。
  論文  参考訳（メタデータ） (2023-10-11T06:09:26Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Emergent Behaviors in Multi-Agent Target Acquisition [0.0]
  追従回避ゲームにおける強化学習(RL)を用いたマルチエージェントシステム(MAS)のシミュレーションを行う。 我々は、RL訓練された追跡者のポリシーを2つの異なる(非RL)分析戦略に置き換えることで、異なる敵シナリオを作成する。 このアプローチの斬新さは、基礎となるデータ規則性を明らかにする影響力のある機能セットの作成を伴います。
  論文  参考訳（メタデータ） (2022-12-15T15:20:58Z)
• Strategic Decision-Making in the Presence of Information Asymmetry: Provably Efficient RL with Algorithmic Instruments [55.41685740015095]
  我々は,戦略MDPと呼ばれる新しいモデルの下で,オフライン強化学習について検討する。 アルゴリズムiNstruments(PLAN)を用いたペシミスティックポリシー学習法を提案する。
  論文  参考訳（メタデータ） (2022-08-23T15:32:44Z)
• Influence-based Reinforcement Learning for Intrinsically-motivated Agents [0.0]
  2つの強化学習エージェントのアルゴリズム的枠組みをそれぞれ異なる目的で提示する。 我々は,ある政策が他者に与える影響を評価するために,新たな関数近似手法を導入する。 本手法は,オープンAI体育館における課題と,協調的・混合的なシナリオについて検討した。
  論文  参考訳（メタデータ） (2021-08-28T05:36:10Z)
• Scalable Evaluation of Multi-Agent Reinforcement Learning with Melting Pot [71.28884625011987]
  Melting PotはMARL評価スイートで、強化学習を使用して、新しいテストシナリオを作成するのに必要な人的労力を削減する。 幅広い研究トピックをカバーする80以上のユニークなテストシナリオを作成しました。 これらのテストシナリオを標準的なMARLトレーニングアルゴリズムに適用し、Melting Potがトレーニングのパフォーマンスだけでは明らかでない弱点をいかに明らかにするかを実証する。
  論文  参考訳（メタデータ） (2021-07-14T17:22:14Z)
• Learning Goal-oriented Dialogue Policy with Opposite Agent Awareness [116.804536884437]
  本稿では,目標指向対話における政策学習のための逆行動認識フレームワークを提案する。 我々は、その行動から相手エージェントの方針を推定し、この推定を用いてターゲットエージェントを対象ポリシーの一部として関連づけて改善する。
  論文  参考訳（メタデータ） (2020-04-21T03:13:44Z)
• A Complex Networks Approach to Find Latent Clusters of Terrorist Groups [5.746505534720595]
  我々は、テロリストグループと関連する戦術、武器、標的、活動地域に関する情報を含むマルチパーティネットワークを構築します。 反対のイデオロギーに属する集団は、非常に共通の行動を共有することができ、イスラム/ジハド教の集団は、他者に対して行動特性を持つことを示す。
  論文  参考訳（メタデータ） (2020-01-10T10:08:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。