Fugu-MT 論文翻訳(概要): Crime Hot-Spot Modeling via Topic Modeling and Relative Density Estimation

論文の概要: Crime Hot-Spot Modeling via Topic Modeling and Relative Density Estimation

arxiv url: http://arxiv.org/abs/2202.04176v3
Date: Fri, 22 Sep 2023 21:36:39 GMT
ステータス: 処理完了
システム内更新日: 2023-09-27 05:13:00.116495
Title: Crime Hot-Spot Modeling via Topic Modeling and Relative Density Estimation
Title（参考訳）: トピックモデリングと相対密度推定による犯罪ホットスポットモデリング
Authors: Jonathan Zhou, Sarah Huestis-Mitchell, Xiuyuan Cheng, Yao Xie
Abstract要約: そこで本研究では,類似の通話をグループ化して,犯罪記録の収集から相対的な空間分布を決定する手法を提案する。アトランタ警察署の大量の物語資料を対象とした実験により,本手法の有効性が実証された。
参考スコア（独自算出の注目度）: 16.64005584511643
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a method to capture groupings of similar calls and determine their relative spatial distribution from a collection of crime record narratives. We first obtain a topic distribution for each narrative, and then propose a nearest neighbors relative density estimation (kNN-RDE) approach to obtain spatial relative densities per topic. Experiments over a large corpus ($n=475,019$) of narrative documents from the Atlanta Police Department demonstrate the viability of our method in capturing geographic hot-spot trends which call dispatchers do not initially pick up on and which go unnoticed due to conflation with elevated event density in general.
Abstract（参考訳）: 本稿では,類似の通話をグループ化して,犯罪記録の収集から相対的な空間分布を決定する手法を提案する。まず、各物語の話題分布を求め、次いで、近辺の相対密度推定(kNN-RDE)手法を提案し、話題ごとの空間相対密度を求める。アトランタ警視庁による大規模なコーパス(475,019$)に関する実験は、発信者が最初に立ち上がらず、イベント密度の上昇が原因で気付かない地理的ホットスポットの傾向を捉えられる方法の有効性を示している。

関連論文リスト

Sequential transport maps using SoS density estimation and $α$-divergences [0.5999777817331317]
輸送型密度推定法は, 近似密度から試料を効率よく生成できるため, 関心が高まりつつある。本稿では,$alpha$-divergencesの情報幾何学的性質に基づいて,シーケンシャルトランスポートマップの新たな収束解析を行う。本研究では,ベイズ推論問題と教師なし学習課題について数値解析を行った。
論文参考訳（メタデータ） (2024-02-27T23:52:58Z)
$CrowdDiff$: Multi-hypothesis Crowd Density Estimation using Diffusion Models [26.55769846846542]
群集カウントは群集分析の基本的な問題であり、群集密度マップを推定し、群集密度値の和を和らげることが典型的である。逆拡散過程として群衆密度マップを生成するCrowdDiff$を提示する。また,拡散モデルの性質から,数量化性能を向上させるため,複数の密度マップを作成することを提案する。
論文参考訳（メタデータ） (2023-03-22T17:58:01Z)
Your diffusion model secretly knows the dimension of the data manifold [0.0]
拡散モデルは、様々なレベルの汚損に対する目標分布のノイズ崩壊バージョンにおけるログ密度の勾配を近似する。データを高次元の周囲空間に埋め込まれた多様体の周りに集中させると、腐敗のレベルが低下するにつれて、スコア関数は多様体へ向けられる。
論文参考訳（メタデータ） (2022-12-23T23:15:14Z)
Counting Like Human: Anthropoid Crowd Counting on Modeling the Similarity of Objects [92.80955339180119]
メインストリームの群衆計数法は密度マップを補強して計数結果を得るために統合する。これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
論文参考訳（メタデータ） (2022-12-02T07:00:53Z)
Far Away in the Deep Space: Dense Nearest-Neighbor-Based Out-of-Distribution Detection [33.78080060234557]
Nearest-Neighborsアプローチは、オブジェクト中心のデータドメインでうまく機能することが示されている。近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近
論文参考訳（メタデータ） (2022-11-12T13:32:19Z)
Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
論文参考訳（メタデータ） (2022-10-15T08:01:08Z)
Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文参考訳（メタデータ） (2021-11-22T06:26:29Z)
PANet: Perspective-Aware Network with Dynamic Receptive Fields and Self-Distilling Supervision for Crowd Counting [63.84828478688975]
本稿では,視点問題に対処するため,PANetと呼ばれる新しい視点認識手法を提案する。対象物のサイズが視点効果によって1つの画像で大きく変化するという観測に基づいて,動的受容場(DRF)フレームワークを提案する。このフレームワークは、入力画像に応じて拡張畳み込みパラメータによって受容野を調整することができ、モデルが各局所領域についてより識別的な特徴を抽出するのに役立つ。
論文参考訳（メタデータ） (2021-10-31T04:43:05Z)
Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
論文参考訳（メタデータ） (2021-06-15T20:55:55Z)
Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
論文参考訳（メタデータ） (2020-09-14T13:20:12Z)

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。