論文の概要: Machine Learning Partners in Criminal Networks

• arxiv url: http://arxiv.org/abs/2209.03171v1
• Date: Wed, 7 Sep 2022 14:03:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:20:03.320928
• Title: Machine Learning Partners in Criminal Networks
• Title（参考訳）: 犯罪ネットワークにおける機械学習パートナー
• Authors: Diego D. Lopes, Bruno R. da Cunha, Alvaro F. Martins, Sebastian Goncalves, Ervin K.Lenzi, Quentin S. Hanley, Matjaz Perc, Haroldo V. Ribeiro
• Abstract要約: 政治腐敗、警察情報、マネーロンダリングネットワークの構造的特性は、行方不明の刑事協力を予測するのに有効であることを示す。 また,本手法は,汚職ネットワークの動的成長にともなう将来的な犯罪関連を,かなりの精度で予測できることを示す。
• 参考スコア（独自算出の注目度）: 1.0554048699217669
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research has shown that criminal networks have complex organizational structures, but whether this can be used to predict static and dynamic properties of criminal networks remains little explored. Here, by combining graph representation learning and machine learning methods, we show that structural properties of political corruption, police intelligence, and money laundering networks can be used to recover missing criminal partnerships, distinguish among different types of criminal and legal associations, as well as predict the total amount of money exchanged among criminal agents, all with outstanding accuracy. We also show that our approach can anticipate future criminal associations during the dynamic growth of corruption networks with significant accuracy. Thus, similar to evidence found at crime scenes, we conclude that structural patterns of criminal networks carry crucial information about illegal activities, which allows machine learning methods to predict missing information and even anticipate future criminal behavior.
• Abstract（参考訳）: 近年の研究では、犯罪ネットワークは複雑な組織構造を持っていることが示されているが、それが犯罪ネットワークの静的および動的特性を予測するのに使用できるかどうかはまだ明らかになっていない。 ここでは, グラフ表現学習と機械学習の手法を組み合わせることにより, 政治腐敗, 警察情報, マネーロンダリングネットワークの構造的特性を利用して, 行方不明の犯罪関係を回復し, 異なる種類の刑事・法的関係を区別し, 犯罪エージェント間で交換される資金の総量を予測することができることを示す。 また, 本手法は, 汚職ネットワークの動的成長に伴う今後の犯罪関連を, 高い精度で予測できることを示す。 したがって、犯罪現場で発見された証拠と同様に、犯罪ネットワークの構造的パターンには違法行為に関する重要な情報が含まれていると結論づける。

関連論文リスト

• TransCrimeNet: A Transformer-Based Model for Text-Based Crime Prediction in Criminal Networks [2.7242259996251197]
  本稿では,テキストデータから犯罪ネットワークの将来の犯罪を予測するトランスフォーマーモデルであるTransCrimeNetを提案する。 実世界の犯罪ネットワークデータセットの実験では、TransCrimeNetは犯罪予測のためのF1スコアの12.7%で過去の最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2023-11-16T03:14:58Z)
• Searching for the Essence of Adversarial Perturbations [73.96215665913797]
  本稿では,ニューラルネットワークの誤予測の原因となる,人間の認識可能な情報を含む対人摂動について述べる。 この人間の認識可能な情報の概念は、敵の摂動に関連する重要な特徴を説明できる。
  論文  参考訳（メタデータ） (2022-05-30T18:04:57Z)
• Spatial-Temporal Meta-path Guided Explainable Crime Prediction [40.03641583647572]
  本稿では,犯罪行為の動的なパターンを捉えるために,時空間メタパスガイド付き説明可能な犯罪予測(STMEC)フレームワークを提案する。 我々は,特にフェロニー予測において,他の高度な時間モデルと比較してSTMECの優位性を示す。
  論文  参考訳（メタデータ） (2022-05-04T05:42:23Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)
• 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)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Criminal Networks Analysis in Missing Data scenarios through Graph Distances [5.164732466825455]
  本稿では,異なる性質の9つの実犯罪ネットワークを解析する。 不完全なデータの影響を定量化し、どのネットワークタイプが最も影響を受けているかを決定する。
  論文  参考訳（メタデータ） (2021-02-28T11:12:05Z)
• Disrupting Resilient Criminal Networks through Data Analysis: The case of Sicilian Mafia [3.863757719887419]
  実世界の2つのデータセットに基づいて,シチリア・マフィア・ギャングの構造を明らかにした。 私たちはそれらを効率的に破壊する方法についての洞察を得る。 我々の研究は、犯罪やテロリストのネットワークに対処するための重要な実践的応用を持っている。
  論文  参考訳（メタデータ） (2020-03-10T12:42:59Z)
• 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。