論文の概要: Deep Interpretable Criminal Charge Prediction and Algorithmic Bias

• arxiv url: http://arxiv.org/abs/2106.13456v1
• Date: Fri, 25 Jun 2021 07:00:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-28 20:56:53.685986
• Title: Deep Interpretable Criminal Charge Prediction and Algorithmic Bias
• Title（参考訳）: 深い解釈可能な刑事電荷予測とアルゴリズムバイアス
• Authors: Abdul Rafae Khan, Jia Xu, Peter Varsanyi, Rachit Pabreja
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3347476425292717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While predictive policing has become increasingly common in assisting with decisions in the criminal justice system, the use of these results is still controversial. Some software based on deep learning lacks accuracy (e.g., in F-1), and many decision processes are not transparent causing doubt about decision bias, such as perceived racial, age, and gender disparities. This paper addresses bias issues with post-hoc explanations to provide a trustable prediction of whether a person will receive future criminal charges given one's previous criminal records by learning temporal behavior patterns over twenty years. Bi-LSTM relieves the vanishing gradient problem, and attentional mechanisms allows learning and interpretation of feature importance. Our approach shows consistent and reliable prediction precision and recall on a real-life dataset. Our analysis of the importance of each input feature shows the critical causal impact on decision-making, suggesting that criminal histories are statistically significant factors, while identifiers, such as race, gender, and age, are not. Finally, our algorithm indicates that a suspect tends to gradually rather than suddenly increase crime severity level over time.
• Abstract（参考訳）: 刑事司法制度における決定を補助する上で、予測的警察はますます一般的になっているが、これらの結果の使用はいまだに議論の余地がある。 深層学習に基づくソフトウェアの中には精度(例えばF-1)に欠けるものもあるが、多くの意思決定プロセスは、人種、年齢、性別格差などの決定バイアスに疑念を生じさせるものではない。 本稿では,20年以上の時間行動パターンを学習することで,過去の犯罪記録から将来の刑事訴追を受けるかという信頼性の高い予測を行うため,ポストホックな説明を伴うバイアス問題に対処する。 Bi-LSTMは、消失する勾配問題を緩和し、注意機構は特徴の重要性の学習と解釈を可能にする。 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を示す。 筆者らは,各入力特徴の重要性を分析し,犯罪履歴が統計的に重要な要因であるのに対して,人種,性別,年齢などの識別子はそうではないことを示唆した。 最後に,我々のアルゴリズムは,犯罪の深刻度が時間とともに急激に上昇する傾向にあることを示す。

関連論文リスト

• Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions [2.624902795082451]
  本稿では,犯罪予測に応用された各種機械学習および深層学習アルゴリズムについて,150以上の論文について検討する。 この研究は、研究者による犯罪予測に使われるデータセットへのアクセスを提供する。 本稿では,犯罪予測の精度を高めるための潜在的なギャップと今後の方向性を明らかにする。
  論文  参考訳（メタデータ） (2023-03-28T21:07:42Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction [60.508960752148454]
  本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。 都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。 また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
  論文  参考訳（メタデータ） (2022-04-18T23:46:01Z)
• Anatomizing Bias in Facial Analysis [86.79402670904338]
  既存の顔分析システムでは、特定の集団群に対して偏りのある結果が得られることが示されている。 これらのシステムは、個人の性別、アイデンティティ、肌のトーンに基づいて差別されないようにすることが義務づけられている。 これはAIシステムにおけるバイアスの識別と緩和の研究につながった。
  論文  参考訳（メタデータ） (2021-12-13T09:51:13Z)
• Analyzing a Carceral Algorithm used by the Pennsylvania Department of Corrections [0.0]
  本論文は、投獄中の囚人の収容レベルを分類するために使用されるペンシルベニア付加分類ツール(PACT)に焦点を当てる。 この場合のアルゴリズムは、追加の懲戒行為に耐え、必要なプログラミングを完了し、特に仮釈放アルゴリズムに入力される変数に蒸留される経験を得る可能性を決定する。
  論文  参考訳（メタデータ） (2021-12-06T18:47:31Z)
• Uncertainty in Criminal Justice Algorithms: simulation studies of the Pennsylvania Additive Classification Tool [0.0]
  我々は、投獄された個人に留置レベルを割り当てるペンシルバニア付加分類ツール(PACT)について検討した。 我々は、刑事司法アルゴリズムがしばしば分析される方法で、PACTを分析します。 我々は,そのようなアルゴリズムを研究するための新しい手法を提案し,実施する。
  論文  参考訳（メタデータ） (2021-12-01T06:27:24Z)
• Statistical discrimination in learning agents [64.78141757063142]
  統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。 我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
  論文  参考訳（メタデータ） (2021-10-21T18:28:57Z)
• The Impact of Algorithmic Risk Assessments on Human Predictions and its Analysis via Crowdsourcing Studies [79.66833203975729]
  我々は,在職者が将来の再起を予測することを任務とするヴィグネット研究を行う。 参加者は、再逮捕の確率が50%よりかなり低いと判断しても、犯罪者が再逮捕されることをしばしば予測します。 裁判官の判断は、参加者の予測とは異なり、部分的には再逮捕の可能性がある要因に依存する。
  論文  参考訳（メタデータ） (2021-09-03T11:09:10Z)
• Covert Embodied Choice: Decision-Making and the Limits of Privacy Under Biometric Surveillance [6.92628425870087]
  我々は、視線、運動、その他の生理的信号を追跡するバーチャルリアリティータスクの結果を提示する。 参加者はさまざまな戦略を使っていますが、収集されたデータは選択肢(80%の精度)を非常に予測できるままです。 参加者のかなりの部分は難解化の努力にもかかわらず予測しやすくなり、おそらくアルゴリズム予測の力学に関する誤解の前兆を示している。
  論文  参考訳（メタデータ） (2021-01-04T04:45:22Z)
• Fairness Evaluation in Presence of Biased Noisy Labels [84.12514975093826]
  本稿では,グループ間の雑音の仮定がリスク評価モデルの予測バイアス特性に与える影響を評価するための感度分析フレームワークを提案する。 2つの実世界の刑事司法データセットに関する実験結果は、観測されたラベルの小さなバイアスでさえ、ノイズのある結果に基づく分析結果の結論に疑問を投げかけることができることを示している。
  論文  参考訳（メタデータ） (2020-03-30T20:47:00Z)
• Crime Prediction Using Spatio-Temporal Data [8.50468505606714]
  監視学習技術は、より正確な犯罪を予測するために使用される。 提案システムには、サンフランシスコ市で12年間にわたって行われた犯罪活動データセットが組み込まれている。
  論文  参考訳（メタデータ） (2020-03-11T16:19:19Z)

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。