論文の概要: Criminal Networks Analysis in Missing Data scenarios through Graph
Distances
- arxiv url: http://arxiv.org/abs/2103.00457v1
- Date: Sun, 28 Feb 2021 11:12:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 16:44:12.423081
- Title: Criminal Networks Analysis in Missing Data scenarios through Graph
Distances
- Title（参考訳）: グラフ距離によるミスデータシナリオの犯罪ネットワーク解析
- Authors: Annamaria Ficara, Lucia Cavallaro, Francesco Curreri, Giacomo Fiumara,
Pasquale De Meo, Ovidiu Bagdasar, Wei Song, Antonio Liotta
- Abstract要約: 本稿では,異なる性質の9つの実犯罪ネットワークを解析する。
不完全なデータの影響を定量化し、どのネットワークタイプが最も影響を受けているかを決定する。
- 参考スコア（独自算出の注目度）: 5.164732466825455
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Data collected in criminal investigations may suffer from: (i)
incompleteness, due to the covert nature of criminal organisations; (ii)
incorrectness, caused by either unintentional data collection errors and
intentional deception by criminals; (iii) inconsistency, when the same
information is collected into law enforcement databases multiple times, or in
different formats. In this paper we analyse nine real criminal networks of
different nature (i.e., Mafia networks, criminal street gangs and terrorist
organizations) in order to quantify the impact of incomplete data and to
determine which network type is most affected by it. The networks are firstly
pruned following two specific methods: (i) random edges removal, simulating the
scenario in which the Law Enforcement Agencies (LEAs) fail to intercept some
calls, or to spot sporadic meetings among suspects; (ii) nodes removal, that
catches the hypothesis in which some suspects cannot be intercepted or
investigated. Finally we compute spectral (i.e., Adjacency, Laplacian and
Normalised Laplacian Spectral Distances) and matrix (i.e., Root Euclidean
Distance) distances between the complete and pruned networks, which we compare
using statistical analysis. Our investigation identified two main features:
first, the overall understanding of the criminal networks remains high even
with incomplete data on criminal interactions (i.e., 10% removed edges);
second, removing even a small fraction of suspects not investigated (i.e., 2%
removed nodes) may lead to significant misinterpretation of the overall
network.
- Abstract（参考訳）: 刑事捜査で収集されたデータは、
(i) 犯罪組織の隠ぺいな性質による不完全性
二 意図しないデータ収集の誤り及び犯罪者の故意の偽造により生じた不正
(iii)同一情報が複数回法執行機関データベースに収集された場合、又は異なるフォーマットで収集された場合。
本稿では,不完全なデータの影響を定量化し,その影響を受けるネットワークタイプを決定するために,異なる性質の9つの犯罪ネットワーク(マフィアネットワーク,犯罪ストリートギャング,テロ組織)を分析した。
ネットワークは、まず2つの特定の方法に従って切断される。
(i)無作為な縁の取り外し、法執行機関(leas)がいくつかの呼び出しを傍受せず、又は被疑者間の散発的な会議を見付けるシナリオをシミュレートすること。
(ii)ノード除去は、一部の被疑者を傍受または調査できないという仮説を捉えている。
最後に、完全なネットワークとプルーンドネットワークの間のスペクトル(すなわち、隣接性、ラプラシアンおよび正規化ラプラシアンスペクトル距離)と行列(すなわち、ルートユークリッド距離)を計算し、統計解析を用いて比較する。
第一に、犯罪ネットワークの全体的な理解は、犯罪行為に関する不完全なデータ(10%除去エッジ)でさえも高いままであり、第二に、調査されていない少数の容疑者(2%除去ノード)を除去しても、ネットワーク全体の重大な誤解を招く可能性がある。
関連論文リスト
- Differentially Private Data Release on Graphs: Inefficiencies and Unfairness [48.96399034594329]
本稿では,ネットワーク情報公開の文脈における偏見と不公平性に対する差別的プライバシの影響を特徴づける。
ネットワーク構造が全員に知られているネットワークリリースの問題を考えるが、エッジの重みをプライベートにリリースする必要がある。
我々の研究は、これらのネットワーク化された決定問題におけるプライバシーに起因する偏見と不公平性に関する理論的根拠と実証的な証拠を提供する。
論文 参考訳（メタデータ） (2024-08-08T08:37:37Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-11T07:48:39Z) - The Devil is in the Conflict: Disentangled Information Graph Neural
Networks for Fraud Detection [17.254383007779616]
性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。
注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。
我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
論文 参考訳（メタデータ） (2022-10-22T08:21:49Z) - Machine Learning Partners in Criminal Networks [1.0554048699217669]
政治腐敗、警察情報、マネーロンダリングネットワークの構造的特性は、行方不明の刑事協力を予測するのに有効であることを示す。
また,本手法は,汚職ネットワークの動的成長にともなう将来的な犯罪関連を,かなりの精度で予測できることを示す。
論文 参考訳（メタデータ） (2022-09-07T14:03:59Z) - Deep Interpretable Criminal Charge Prediction and Algorithmic Bias [2.3347476425292717]
本稿では, ポストホックな説明のバイアス問題に対処し, 将来の刑事告発を受けるかどうかの信頼性の高い予測を行う。
提案手法は,実生活データセット上での予測精度とリコールの一貫性と信頼性を示す。
論文 参考訳（メタデータ） (2021-06-25T07:00:13Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳（メタデータ） (2021-04-17T20:00:40Z) - Joint Inference of Diffusion and Structure in Partially Observed Social
Networks Using Coupled Matrix Factorization [3.399624105745357]
本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。
提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。
これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
論文 参考訳（メタデータ） (2020-10-03T17:48:57Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z) - Alleviating the Inconsistency Problem of Applying Graph Neural Network
to Fraud Detection [78.88163190021798]
不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。
4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。
我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
論文 参考訳（メタデータ） (2020-05-01T21:43:58Z) - Disrupting Resilient Criminal Networks through Data Analysis: The case
of Sicilian Mafia [3.863757719887419]
実世界の2つのデータセットに基づいて,シチリア・マフィア・ギャングの構造を明らかにした。
私たちはそれらを効率的に破壊する方法についての洞察を得る。
我々の研究は、犯罪やテロリストのネットワークに対処するための重要な実践的応用を持っている。
論文 参考訳（メタデータ） (2020-03-10T12:42:59Z) - Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。
本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。
実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
論文 参考訳（メタデータ） (2020-01-18T13:32:18Z)
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。