Fugu-MT 論文翻訳(概要): Perfecting the Crime Machine

論文の概要: Perfecting the Crime Machine

arxiv url: http://arxiv.org/abs/2001.09764v2
Date: Sun, 20 Sep 2020 21:13:15 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 13:55:51.620210
Title: Perfecting the Crime Machine
Title（参考訳）: 犯罪機の性能向上
Authors: Yigit Alparslan and Ioanna Panagiotou and Willow Livengood and Robert Kane and Andrew Cohen
Abstract要約: 本研究では、異なる機械学習技術を用いて犯罪関連統計、特にフィラデルフィアの犯罪タイプを予測する。犯罪の場所と時刻を主な特徴として使用し、生データにある2つの特徴から異なる特徴を抽出し、多数のクラスラベルを扱うモデルを構築します。本稿では,ランダムフォレストが,エラーログ損失2.3120の犯罪種別予測モデルとして最適であることを示す。
参考スコア（独自算出の注目度）: 1.266953082426463
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This study explores using different machine learning techniques and workflows to predict crime related statistics, specifically crime type in Philadelphia. We use crime location and time as main features, extract different features from the two features that our raw data has, and build models that would work with large number of class labels. We use different techniques to extract various features including combining unsupervised learning techniques and try to predict the crime type. Some of the models that we use are Support Vector Machines, Decision Trees, Random Forest, K-Nearest Neighbors. We report that the Random Forest as the best performing model to predict crime type with an error log loss of 2.3120.
Abstract（参考訳）: 本研究では、異なる機械学習技術とワークフローを用いて犯罪関連統計、特にフィラデルフィアの犯罪タイプを予測する。犯罪の場所と時刻を主な特徴として使用し、生データにある2つの特徴から異なる特徴を抽出し、多数のクラスラベルを扱うモデルを構築します。我々は,教師なし学習技術を組み合わせることを含む様々な特徴を抽出し,犯罪タイプを予測しようとする。私たちが使用しているモデルは、Support Vector Machines、Decision Trees、Random Forest、K-Nearest Neighborsなどです。本稿では,ランダムフォレストが,エラーログ損失2.3120の犯罪種別予測モデルとして最適であることを示す。

関連論文リスト

Deep Learning Based Crime Prediction Models: Experiments and Analysis [1.4214002697449326]
犯罪予測は、都市住民の安全を確保することの重要性から、広く研究されている研究課題である。ディープラーニングに基づく犯罪予測モデルは、犯罪データの潜伏した特徴をキャプチャするために複雑なアーキテクチャを使用する。我々は、最先端のディープラーニングに基づく犯罪予測モデルについて、総合的な実験的評価を行う。
論文参考訳（メタデータ） (2024-07-27T19:11:16Z)
Model Pairing Using Embedding Translation for Backdoor Attack Detection on Open-Set Classification Tasks [63.269788236474234]
バックドア検出のためのオープンセット分類タスクにモデルペアを用いることを提案する。このスコアは、異なるアーキテクチャのモデルがあるにもかかわらず、バックドアの存在を示す指標であることを示している。この技術は、オープンセット分類タスク用に設計されたモデル上のバックドアの検出を可能にするが、文献ではほとんど研究されていない。
論文参考訳（メタデータ） (2024-02-28T21:29:16Z)
A Comparative Analysis of Multiple Methods for Predicting a Specific Type of Crime in the City of Chicago [0.9799637101641152]
空間的特徴と時間的特徴を用いて盗難を予測するにはどうすればよいのか? XBoostはF1スコア0.86で最高の結果を示した。
論文参考訳（メタデータ） (2023-04-26T11:35:06Z)
Rationalizing Predictions by Adversarial Information Calibration [65.19407304154177]
我々は2つのモデルを共同で訓練する: 1つは、正確だがブラックボックスな方法でタスクを解く典型的なニューラルモデルであり、もう1つは、予測の理論的根拠を付加するセレクタ・予測モデルである。我々は,2つのモデルから抽出した情報を,それらの違いが欠落した特徴や過度に選択された特徴の指標であるように校正するために,敵対的手法を用いる。
論文参考訳（メタデータ） (2023-01-15T03:13:09Z)
Are You Stealing My Model? Sample Correlation for Fingerprinting Deep Neural Networks [86.55317144826179]
従来の方法は、常にモデル指紋として転送可能な敵の例を利用する。本稿では,SAmple correlation (SAC) に基づく新しいモデル盗難検出手法を提案する。 SACは、敵の訓練や移動学習を含む様々なモデル盗難攻撃をうまく防いでいる。
論文参考訳（メタデータ） (2022-10-21T02:07:50Z)
Fake News Identification using Machine Learning Algorithms Based on Graph Features [0.0]
本研究の目的は,グラフと機械学習アルゴリズムを用いて偽ニュースを識別するモデルを構築することである。フェイクニュースを効果的に予測し、フェイクニュースによる潜在的なネガティブな社会的影響を防止し、機械学習モデルのためのグラフ機能選択に関する新たな視点を提供する。
論文参考訳（メタデータ） (2022-08-22T22:42:57Z)
DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
論文参考訳（メタデータ） (2022-01-14T00:16:57Z)
Defending against Model Stealing via Verifying Embedded External Features [90.29429679125508]
トレーニングサンプルがなく、モデルパラメータや構造にアクセスできない場合でも、敵はデプロイされたモデルを盗むことができる。我々は、不審なモデルがディフェンダー特定遠近法の特徴の知識を含んでいるかどうかを検証することによって、他の角度からの防御を探索する。本手法は, 複数段階の盗難処理によって盗難モデルが得られた場合でも, 同時に異なる種類の盗難モデルを検出するのに有効である。
論文参考訳（メタデータ） (2021-12-07T03:51:54Z)
SSSE: Efficiently Erasing Samples from Trained Machine Learning Models [103.43466657962242]
サンプル消去のための効率的かつ効率的なアルゴリズムSSSEを提案する。ある場合、SSSEは、許可されたデータだけで新しいモデルをスクラッチからトレーニングする最適な、しかし実用的でない金の標準と同様に、サンプルをほぼ消去することができる。
論文参考訳（メタデータ） (2021-07-08T14:17:24Z)
Prediction of Homicides in Urban Centers: A Machine Learning Approach [0.8312466807725921]
本研究では、一般的なデータを用いたデータセットを用いて、殺人犯罪を予測する機械学習モデルを提案する。生成されたデータセット上で、単純で堅牢なアルゴリズムで分析が行われた。結果は,提案問題のベースラインとみなす。
論文参考訳（メタデータ） (2020-08-16T19:13:53Z)
A Comparative Study on Crime in Denver City Based on Machine Learning and Data Mining [0.0]
2014年1月から2019年5月まで、アメリカ合衆国デンバー郡の現実の犯罪と事故のデータセットを分析した。本研究の目的は、法執行機関や政府が予防措置の発見を支援することの見返りとして、発生の傾向を予測し、強調することである。結果は、トレイン・テストの分割とk倍のクロスバリデーションという2つの一般的なテスト手法を使ってキャプチャされる。
論文参考訳（メタデータ） (2020-01-09T01:36:11Z)

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。