論文の概要: Learning future terrorist targets through temporal meta-graphs

• arxiv url: http://arxiv.org/abs/2104.10398v1
• Date: Wed, 21 Apr 2021 08:09:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:35:22.593850
• Title: Learning future terrorist targets through temporal meta-graphs
• Title（参考訳）: 時間的メタグラフによる未来のテロリストターゲットの学習
• Authors: Gian Maria Campedelli, Mihovil Bartulovic, Kathleen M. Carley
• Abstract要約: 本稿では,時間的メタグラフと深層学習を用いて将来のテロリストの標的を予測することを提案する。 我々は、各次元における各特徴の時間的中心性を測定する2日間の時系列を導出する。 テロリスト俳優の戦略行動の文脈で問題を定式化することで、これらの多変量時系列シーケンスは、選択されるリスクが最も高いターゲットタイプを知るために利用される。
• 参考スコア（独自算出の注目度）: 8.813290741555994
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the last 20 years, terrorism has led to hundreds of thousands of deaths and massive economic, political, and humanitarian crises in several regions of the world. Using real-world data on attacks occurred in Afghanistan and Iraq from 2001 to 2018, we propose the use of temporal meta-graphs and deep learning to forecast future terrorist targets. Focusing on three event dimensions, i.e., employed weapons, deployed tactics and chosen targets, meta-graphs map the connections among temporally close attacks, capturing their operational similarities and dependencies. From these temporal meta-graphs, we derive 2-day-based time series that measure the centrality of each feature within each dimension over time. Formulating the problem in the context of the strategic behavior of terrorist actors, these multivariate temporal sequences are then utilized to learn what target types are at the highest risk of being chosen. The paper makes two contributions. First, it demonstrates that engineering the feature space via temporal meta-graphs produces richer knowledge than shallow time-series that only rely on frequency of feature occurrences. Second, the performed experiments reveal that bi-directional LSTM networks achieve superior forecasting performance compared to other algorithms, calling for future research aiming at fully discovering the potential of artificial intelligence to counter terrorist violence.
• Abstract（参考訳）: 過去20年間、テロリズムは世界中のいくつかの地域で何十万人もの死者と大規模な経済、政治的、人道的な危機を引き起こしてきた。 2001年から2018年にかけて、アフガニスタンとイラクで発生した攻撃に関する実世界データを用いて、時間的メタグラフとディープラーニングを用いて将来のテロ目標を予測することを提案する。 3つのイベントディメンジョン、すなわち武器、配置された戦術、選択されたターゲットに焦点を当てたメタグラフは、一時的な近接攻撃間の接続をマッピングし、運用上の類似性と依存関係をキャプチャする。 これらの時間的メタグラフから、各次元における各特徴の時間的中心性を測定する2日間の時系列を導出する。 テロリスト俳優の戦略行動の文脈で問題を定式化することで、これらの多変量時系列シーケンスは、選択されるリスクが最も高いターゲットタイプを知るために利用される。 論文には2つの貢献がある。 まず、時間的メタグラフによる特徴空間のエンジニアリングが、特徴発生頻度にのみ依存する浅い時間系列よりも豊かな知識を生み出すことを示す。 第2に,双方向lstmネットワークは,他のアルゴリズムよりも優れた予測性能を達成し,テロリストの暴力に対抗する人工知能の可能性を十分に発見することを目的とした今後の研究が求められている。

関連論文リスト

• New perspectives on the optimal placement of detectors for suicide bombers using metaheuristics [0.0]
  本研究では、特定の標的に対する自爆攻撃の運用モデルと、脅威にさらされている地域への検知器の配備に基づく保護対策の活用について考察する。 我々は4つの異なるアルゴリズム、すなわちグリーディヒルクライマー、タブサーチ、進化的アルゴリズムを考える。 その結果,全ての手法では逆方向のシナリオは困難であり,進化的アルゴリズムは結果の探索景観の複雑さに適応していることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T13:06:10Z)
• Metaheuristic approaches to the placement of suicide bomber detectors [0.0]
  自爆テロはテロの悪名高い形態であり、世界的テロ戦争の時代にますます広まりつつある。 本研究は,本種の標的攻撃事例と,脅威領域に分布する検知器の使用を保護対策として検討する。 この目的のために、局所探索と集団探索に基づく異なるメタヒューリスティックなアプローチが、強力な欲求アルゴリズムに対して検討され、ベンチマークされる。
  論文  参考訳（メタデータ） (2024-05-28T21:14:01Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Predicting Terrorist Attacks in the United States using Localized News Data [13.164412455321907]
  テロは世界中で大きな問題であり、毎年数千人の死者と数十億ドルの損害をもたらしている。 我々は、特定の日時と特定の状況でテロ攻撃が起こるかどうかを予測するために、ローカルニュースデータから学習する機械学習モデルを提示する。 最高のモデルであるランダムフォレスト(Random Forest)は、2015年から2018年の間に最もテロの影響を受けていた5州のうち4州で、特徴空間の新たな変動長移動平均表現から学ぶ。
  論文  参考訳（メタデータ） (2022-01-12T03:56:15Z)
• Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
  本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。 特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。 提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-01-07T12:46:50Z)
• Spatio-temporal extreme event modeling of terror insurgencies [0.7874708385247353]
  本稿では,不均一な強度をトリガー関数として記述した攻撃に対する自己励振モデルを提案する。 このモデルのパラメータを推定することにより、攻撃が起こる可能性のある特定の時空領域に焦点を当てる。 我々は,2019-2021年の攻撃の強さを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-15T20:50:24Z)
• MixNet for Generalized Face Presentation Attack Detection [63.35297510471997]
  我々は、プレゼンテーションアタックを検出するための、TextitMixNetと呼ばれるディープラーニングベースのネットワークを提案している。 提案アルゴリズムは最先端の畳み込みニューラルネットワークアーキテクチャを利用して,各攻撃カテゴリの特徴マッピングを学習する。
  論文  参考訳（メタデータ） (2020-10-25T23:01:13Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。 我々は、車や歩行者の軌道予測をベンチマークする。 私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)
• Spatiotemporal Attacks for Embodied Agents [119.43832001301041]
  我々は、エンボディエージェントに対する敵攻撃を研究するための第一歩を踏み出した。 特に,時間次元と空間次元の両方の相互作用履歴を利用する逆例を生成する。 我々の摂動は強力な攻撃力と一般化能力を持っている。
  論文  参考訳（メタデータ） (2020-05-19T01:38:47Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• 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。