論文の概要: Spatio-temporal extreme event modeling of terror insurgencies
- arxiv url: http://arxiv.org/abs/2110.08363v1
- Date: Fri, 15 Oct 2021 20:50:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 23:55:04.085057
- Title: Spatio-temporal extreme event modeling of terror insurgencies
- Title（参考訳）: テロインサージェンシーの時空間的エクストリームイベントモデリング
- Authors: Lekha Patel, Lyndsay Shand, J. Derek Tucker, Gabriel Huerta
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7874708385247353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extreme events with potential deadly outcomes, such as those organized by
terror groups, are highly unpredictable in nature and an imminent threat to
society. In particular, quantifying the likelihood of a terror attack occurring
in an arbitrary space-time region and its relative societal risk, would
facilitate informed measures that would strengthen national security. This
paper introduces a novel self-exciting marked spatio-temporal model for attacks
whose inhomogeneous baseline intensity is written as a function of covariates.
Its triggering intensity is succinctly modeled with a Gaussian Process prior
distribution to flexibly capture intricate spatio-temporal dependencies between
an arbitrary attack and previous terror events. By inferring the parameters of
this model, we highlight specific space-time areas in which attacks are likely
to occur. Furthermore, by measuring the outcome of an attack in terms of the
number of casualties it produces, we introduce a novel mixture distribution for
the number of casualties. This distribution flexibly handles low and high
number of casualties and the discrete nature of the data through a {\it
Generalized ZipF} distribution. We rely on a customized Markov chain Monte
Carlo (MCMC) method to estimate the model parameters. We illustrate the
methodology with data from the open source Global Terrorism Database (GTD) that
correspond to attacks in Afghanistan from 2013-2018. We show that our model is
able to predict the intensity of future attacks for 2019-2021 while considering
various covariates of interest such as population density, number of regional
languages spoken, and the density of population supporting the opposing
government.
- Abstract（参考訳）: テロ集団によって組織されたような致命的な結果をもたらす極端な出来事は、自然の中で非常に予測不可能であり、社会への差し迫った脅威である。
特に、任意の時空地域で起こるテロ攻撃とその相対的な社会リスクの可能性を定量化することは、国家の安全を強化するインフォームドな措置を促進する。
本稿では,不均一なベースライン強度を共変量関数として記述した攻撃時空間モデルを提案する。
そのトリガー強度は、任意の攻撃と過去のテロイベントの間の複雑な時空間的依存関係を柔軟に捉えるために、ガウス過程によって簡潔にモデル化される。
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を強調する。
さらに, 発生した被害数から攻撃結果を測定することにより, 損失数に対する新たな混合分布を導入する。
この分布は、低損失と高損失を柔軟に処理し、データの離散的性質を一般化 zipf 分布を通じて処理する。
モデルパラメータを推定するために、カスタマイズされたマルコフ連鎖モンテカルロ法(MCMC)を用いる。
本手法は,2013-2018年のアフガニスタン攻撃に対応するオープンソースのGTD(Global Terrorism Database)のデータを用いて説明する。
本モデルは,2019-2021年における今後の攻撃の激しさを,人口密度,地域言語数,対政府支援人口密度といった様々な関心の共変量を考慮して予測できることを示す。
関連論文リスト
- 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) - FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning
Attacks in Federated Learning [98.43475653490219]
フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。
FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。
FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
論文 参考訳（メタデータ） (2023-12-07T16:56:24Z) - Understanding the Vulnerability of Skeleton-based Human Activity Recognition via Black-box Attack [53.032801921915436]
HAR(Human Activity Recognition)は、自動運転車など、幅広い用途に採用されている。
近年,敵対的攻撃に対する脆弱性から,骨格型HAR法の堅牢性に疑問が呈されている。
攻撃者がモデルの入出力しかアクセスできない場合でも、そのような脅威が存在することを示す。
BASARと呼ばれる骨格をベースとしたHARにおいて,最初のブラックボックス攻撃手法を提案する。
論文 参考訳（メタデータ） (2022-11-21T09:51:28Z) - An Ordinal Latent Variable Model of Conflict Intensity [59.49424978353101]
ゴールドスタインスケール(Goldstein scale)は、紛争・協力的なスケールでイベントをスコアする、広く使われている専門家ベースの尺度である。
本稿では、競合強度を測定するために、潜伏変数に基づくアプローチをとる。
論文 参考訳（メタデータ） (2022-10-08T08:59:17Z) - Formulating Robustness Against Unforeseen Attacks [34.302333899025044]
本稿では,訓練中の防衛が想定する脅威モデルにミスマッチが存在するシナリオに焦点を当てる。
学習者が特定の"ソース"脅威モデルに対してトレーニングした場合、テスト期間中に、より強力な未知の"ターゲット"脅威モデルにロバスト性が一般化できることをいつ期待できるか?
本稿では,AT-VRを用いた対戦型トレーニングを提案し,トレーニング中の特徴抽出器の変動を低減させる。
論文 参考訳（メタデータ） (2022-04-28T21:03:36Z) - 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) - Formalizing and Estimating Distribution Inference Risks [11.650381752104298]
プロパティ推論攻撃の形式的および一般的な定義を提案する。
以上の結果から,安価なメタクラス化攻撃は高価なメタクラス化攻撃と同じくらい効果的であることが示唆された。
我々は、最先端のプロパティ推論攻撃を畳み込みニューラルネットワークに拡張する。
論文 参考訳（メタデータ） (2021-09-13T14:54:39Z) - Adversarial Robustness through the Lens of Causality [105.51753064807014]
ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。
我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。
我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
論文 参考訳（メタデータ） (2021-06-11T06:55:02Z) - Towards Adversarial Patch Analysis and Certified Defense against Crowd
Counting [61.99564267735242]
安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。
近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。
群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
論文 参考訳（メタデータ） (2021-04-22T05:10:55Z) - Learning to Attack: Towards Textual Adversarial Attacking in Real-world
Situations [81.82518920087175]
敵攻撃は、敵の例でディープニューラルネットワークを騙すことを目的としている。
本稿では、攻撃履歴から学習し、より効率的に攻撃を開始することができる強化学習に基づく攻撃モデルを提案する。
論文 参考訳（メタデータ） (2020-09-19T09:12:24Z) - Extending Adversarial Attacks to Produce Adversarial Class Probability
Distributions [1.439518478021091]
高い不正率を維持しながら,クラスに対する確率分布を近似できることを示す。
この結果から, クラスに対する確率分布は, 高い不正率を維持しつつ, 密に近似できることが示唆された。
論文 参考訳（メタデータ） (2020-04-14T09:39:02Z)
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。