論文の概要: HAGEN: Homophily-Aware Graph Convolutional Recurrent Network for Crime Forecasting

• arxiv url: http://arxiv.org/abs/2109.12846v1
• Date: Mon, 27 Sep 2021 07:46:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:44:53.857700
• Title: HAGEN: Homophily-Aware Graph Convolutional Recurrent Network for Crime Forecasting
• Title（参考訳）: HAGEN: 犯罪予測のためのホモフィックなグラフ畳み込みリカレントネットワーク
• Authors: Chenyu Wang, Zongyu Lin, Xiaochen Yang, Jiao Sun, Mingxuan Yue, Cyrus Shahabi
• Abstract要約: 本稿では,犯罪予測のための新しい設計を複数用意した,HAGENと呼ばれるエンドツーエンドのグラフ畳み込みリカレントネットワークを提案する。 GNNのホモフィリーな仮定に基づいて、領域グラフの最適化を規則化するホモフィリーな制約を提案する。 また、犯罪の埋め込みを取り入れ、地域と犯罪カテゴリー間の相互依存をモデル化する。
• 参考スコア（独自算出の注目度）: 11.469930516486901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The crime forecasting is an important problem as it greatly contributes to urban safety. Typically, the goal of the problem is to predict different types of crimes for each geographical region (like a neighborhood or censor tract) in the near future. Since nearby regions usually have similar socioeconomic characteristics which indicate similar crime patterns, recent state-of-the-art solutions constructed a distance-based region graph and utilized Graph Neural Network (GNN) techniques for crime forecasting, because the GNN techniques could effectively exploit the latent relationships between neighboring region nodes in the graph. However, this distance-based pre-defined graph cannot fully capture crime correlation between regions that are far from each other but share similar crime patterns. Hence, to make an accurate crime prediction, the main challenge is to learn a better graph that reveals the dependencies between regions in crime occurrences and meanwhile captures the temporal patterns from historical crime records. To address these challenges, we propose an end-to-end graph convolutional recurrent network called HAGEN with several novel designs for crime prediction. Specifically, our framework could jointly capture the crime correlation between regions and the temporal crime dynamics by combining an adaptive region graph learning module with the Diffusion Convolution Gated Recurrent Unit (DCGRU). Based on the homophily assumption of GNN, we propose a homophily-aware constraint to regularize the optimization of the region graph so that neighboring region nodes on the learned graph share similar crime patterns, thus fitting the mechanism of diffusion convolution. It also incorporates crime embedding to model the interdependencies between regions and crime categories. Empirical experiments and comprehensive analysis on two real-world datasets showcase the effectiveness of HAGEN.
• Abstract（参考訳）: 犯罪予測は都市安全に大きく貢献するため、重要な問題である。 通常、この問題の目的は、近い将来、各地域(近隣地域や検閲区域など)の異なる種類の犯罪を予測することである。 近辺の地域は通常、同様の犯罪パターンを示す類似の社会経済特性を持っているため、最近の最先端のソリューションは、距離ベースの地域グラフを構築し、gnn(graph neural network)技術を使用して犯罪予測を行った。 しかし、この距離ベースの事前定義グラフは、互いに遠いが類似した犯罪パターンを共有する領域間の犯罪相関を完全に把握することはできない。 したがって、正確な犯罪予測を行うためには、犯罪発生時の地域間の依存関係を明らかにするためのより良いグラフを学習し、同時に過去の犯罪記録から時間的パターンを捉えることが主な課題である。 これらの課題に対処するために,犯罪予測のための新しい設計のHAGENと呼ばれるエンドツーエンドのグラフ畳み込みリカレントネットワークを提案する。 具体的には、適応型領域グラフ学習モジュールと拡散畳み込みGated Recurrent Unit(DCGRU)を組み合わせることで、地域と時間犯罪の相関関係を共同で捉えることができる。 gnnのホモフィリー仮定に基づいて,領域グラフの最適化を正則化するホモフィアウェア制約を提案し,学習グラフ上の隣接領域ノードが類似した犯罪パターンを共有することにより,拡散畳み込みのメカニズムを適合させる。 また、犯罪の埋め込みを取り入れ、地域と犯罪カテゴリー間の相互依存をモデル化する。 2つの実世界のデータセットに関する実証実験と包括的な分析は、HAGENの有効性を示している。

関連論文リスト

• An Event-centric Framework for Predicting Crime Hotspots with Flexible Time Intervals [15.749155522310941]
  FlexiCrimeは、フレキシブルな時間間隔で犯罪のホットスポットを予測する新しいイベントフレームワークである。 犯罪状況の特徴を学習する犯罪イベント間の相関を捉えるために、連続的な注意ネットワークが組み込まれている。 過去の犯罪事件の頻度を考慮し、特定の時間と場所における特定の犯罪種のリスクを測定する。
  論文  参考訳（メタデータ） (2024-11-02T04:38:10Z)
• Spatial-Temporal Mixture-of-Graph-Experts for Multi-Type Crime Prediction [26.79981325208879]
  本稿では,複数タイプの犯罪予測のための時空間混在(ST-MoGE)フレームワークを提案する。 我々は,各犯罪カテゴリの特有かつ共有された犯罪パターンを捉えるために,注意を喚起したMGE(Mixture-of-Graph-Experts)モジュールを導入する。 そこで我々は,MGEを更新し,各専門家に特定のパターンモデリングに集中させるクロスエキスパートコントラスト学習(CECL)を提案する。
  論文  参考訳（メタデータ） (2024-09-24T05:41:11Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• 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)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Exploring Spatio-Temporal and Cross-Type Correlations for Crime Prediction [48.1813701535167]
  我々は,都市犯罪のクロスタイプと時間的相関を利用した犯罪予測を行う。 犯罪予測のための相関関係を数学的にモデル化するコヒーレントな枠組みを提案する。 犯罪予測における相関関係の重要性を理解するために、さらなる実験が行われた。
  論文  参考訳（メタデータ） (2020-01-20T00:34:53Z)

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。