論文の概要: Explainable Machine Learning for Predicting Homicide Clearance in the United States

• arxiv url: http://arxiv.org/abs/2203.04768v1
• Date: Wed, 9 Mar 2022 14:35:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 14:26:10.537678
• Title: Explainable Machine Learning for Predicting Homicide Clearance in the United States
• Title（参考訳）: 米国における殺人クリアランス予測のための説明可能な機械学習
• Authors: Gian Maria Campedelli
• Abstract要約: 本研究は,アメリカ合衆国における国家レベルおよび州レベルでのフミミドのドライバーの予測と検出における説明可能な機械学習の可能性について検討した。 9つのアルゴリズム的アプローチを比較して、国別における浄化された殺人の予測における最良の性能を評価する。 中でも最も正確なアルゴリズム(XGBoost)は、状態的にクリアランス結果を予測するために使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Purpose: To explore the potential of Explainable Machine Learning in the prediction and detection of drivers of cleared homicides at the national- and state-levels in the United States. Methods: First, nine algorithmic approaches are compared to assess the best performance in predicting cleared homicides country-wise, using data from the Murder Accountability Project. The most accurate algorithm among all (XGBoost) is then used for predicting clearance outcomes state-wise. Second, SHAP, a framework for Explainable Artificial Intelligence, is employed to capture the most important features in explaining clearance patterns both at the national and state levels. Results: At the national level, XGBoost demonstrates to achieve the best performance overall. Substantial predictive variability is detected state-wise. In terms of explainability, SHAP highlights the relevance of several features in consistently predicting investigation outcomes. These include homicide circumstances, weapons, victims' sex and race, as well as number of involved offenders and victims. Conclusions: Explainable Machine Learning demonstrates to be a helpful framework for predicting homicide clearance. SHAP outcomes suggest a more organic integration of the two theoretical perspectives emerged in the literature. Furthermore, jurisdictional heterogeneity highlights the importance of developing ad hoc state-level strategies to improve police performance in clearing homicides.
• Abstract（参考訳）: 目的:米国の国家・州レベルでのクリア化殺人のドライバーの予測と検出における、説明可能な機械学習の可能性を探ること。 方法: まず9つのアルゴリズムによる手法を比較し, 殺人責任計画のデータを用いて, 国別殺人予測における最良性能を評価する。 最も正確なアルゴリズム(xgboost)は、状態ごとにクリアランスの結果を予測するために使用される。 第二に、説明可能な人工知能のためのフレームワークSHAPは、国家レベルでも国家レベルでもクリアランスパターンを説明する上で最も重要な特徴を捉えるために使用される。 結果: 全国レベルでは,XGBoostは全体として最高のパフォーマンスを達成するためのものだ。 定常予測変動が状態的に検出される。 説明可能性に関して、SHAPは調査結果を継続的に予測する上で、いくつかの特徴の関連性を強調している。 これには殺人の状況、武器、被害者の性や人種、関連する多くの犯罪者や被害者が含まれる。 結論: 説明可能な機械学習は、殺人のクリアランスを予測するのに役立つフレームワークであることを実証する。 SHAPの結果は、2つの理論的な視点がより有機的に統合されることを示唆している。 さらに、司法の異質性は、警察の警察性能を改善するための副次的な州レベルの戦略を開発することの重要性を強調している。

関連論文リスト

• Machine Learning for Public Good: Predicting Urban Crime Patterns to Enhance Community Safety [0.0]
  本稿では,都市部における犯罪の空間的・時間的パターンを予測するML手法の有効性について検討する。 研究目標は、呼び出しを優先度レベルに分類する際の高い精度を達成することである。
  論文  参考訳（メタデータ） (2024-09-17T02:07:14Z)
• Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
  大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。 提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
  論文  参考訳（メタデータ） (2024-06-28T20:06:30Z)
• CrimeAlarm: Towards Intensive Intent Dynamics in Fine-grained Crime Prediction [18.978423228112856]
  本稿では,カリキュラム学習にインスパイアされた新たな相互蒸留戦略を取り入れた,きめ細かい連続犯罪予測フレームワークであるCristAlarmを提案する。 実験の結果、CristAlarmはNDCG@5で最先端の手法より優れており、NYC16では4.51%、CHI18では7.73%改善している。
  論文  参考訳（メタデータ） (2024-04-10T05:44:28Z)
• Rationalizing Predictions by Adversarial Information Calibration [65.19407304154177]
  我々は2つのモデルを共同で訓練する: 1つは、正確だがブラックボックスな方法でタスクを解く典型的なニューラルモデルであり、もう1つは、予測の理論的根拠を付加するセレクタ・予測モデルである。 我々は,2つのモデルから抽出した情報を,それらの違いが欠落した特徴や過度に選択された特徴の指標であるように校正するために,敵対的手法を用いる。
  論文  参考訳（メタデータ） (2023-01-15T03:13:09Z)
• Exploiting Contrastive Learning and Numerical Evidence for Confusing Legal Judgment Prediction [46.71918729837462]
  訴訟の事実記述文を考慮し、法的判断予測は、事件の告訴、法律記事、刑期を予測することを目的としている。 従来の研究では、標準的なクロスエントロピー分類損失と異なる分類誤差を区別できなかった。 本稿では,モコに基づく教師付きコントラスト学習を提案する。 さらに,事前学習した数値モデルにより符号化された抽出された犯罪量による事実記述の表現をさらに強化する。
  論文  参考訳（メタデータ） (2022-11-15T15:53:56Z)
• Using attention methods to predict judicial outcomes [0.0]
  私たちは、ブラジルの法体系における司法結果を予測するためにAI分類器を使用しました。 これらのテキストは、第二級殺人と活発な汚職事件のデータセットを形成した。 我々の研究では、回帰木、Gated Recurring Units、階層的注意ネットワークが、異なるサブセットに対してより高いメトリクスを示しました。
  論文  参考訳（メタデータ） (2022-07-18T16:24:34Z)
• Open Vocabulary Object Detection with Proposal Mining and Prediction Equalization [73.14053674836838]
  Open-vocabulary Object Detection (OVD)は、学習語彙以外の新しいカテゴリのオブジェクトを検出するために、語彙サイズを拡大することを目的としている。 最近の研究は、事前訓練された視覚言語モデルにおける豊富な知識に頼っている。 本稿では,提案するマイニングと予測等化を備えた新しいOVDフレームワークMEDetを提案する。
  論文  参考訳（メタデータ） (2022-06-22T14:30:41Z)
• 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)
• Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
  因果推論は変数間の因果関係を捉えるプロセスである。 本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
  論文  参考訳（メタデータ） (2021-04-19T16:13:10Z)
• A Comparative Study on Crime in Denver City Based on Machine Learning and Data Mining [0.0]
  2014年1月から2019年5月まで、アメリカ合衆国デンバー郡の現実の犯罪と事故のデータセットを分析した。 本研究の目的は、法執行機関や政府が予防措置の発見を支援することの見返りとして、発生の傾向を予測し、強調することである。 結果は、トレイン・テストの分割とk倍のクロスバリデーションという2つの一般的なテスト手法を使ってキャプチャされる。
  論文  参考訳（メタデータ） (2020-01-09T01:36:11Z)

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。