論文の概要: CrimeAlarm: Towards Intensive Intent Dynamics in Fine-grained Crime Prediction

• arxiv url: http://arxiv.org/abs/2404.06756v1
• Date: Wed, 10 Apr 2024 05:44:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 15:19:53.058938
• Title: CrimeAlarm: Towards Intensive Intent Dynamics in Fine-grained Crime Prediction
• Title（参考訳）: CrimeAlarm: きめ細かい犯罪予測における集中インテントダイナミクスを目指して
• Authors: Kaixi Hu, Lin Li, Qing Xie, Xiaohui Tao, Guandong Xu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.978423228112856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Granularity and accuracy are two crucial factors for crime event prediction. Within fine-grained event classification, multiple criminal intents may alternately exhibit in preceding sequential events, and progress differently in next. Such intensive intent dynamics makes training models hard to capture unobserved intents, and thus leads to sub-optimal generalization performance, especially in the intertwining of numerous potential events. To capture comprehensive criminal intents, this paper proposes a fine-grained sequential crime prediction framework, CrimeAlarm, that equips with a novel mutual distillation strategy inspired by curriculum learning. During the early training phase, spot-shared criminal intents are captured through high-confidence sequence samples. In the later phase, spot-specific intents are gradually learned by increasing the contribution of low-confidence sequences. Meanwhile, the output probability distributions are reciprocally learned between prediction networks to model unobserved criminal intents. Extensive experiments show that CrimeAlarm outperforms state-of-the-art methods in terms of NDCG@5, with improvements of 4.51% for the NYC16 and 7.73% for the CHI18 in accuracy measures.
• Abstract（参考訳）: 犯罪事象の予測には粒度と精度の2つの重要な要素がある。 きめ細かい出来事分類では、複数の犯罪意図が前回の連続した出来事に交互に現れ、次の出来事で異なる進行を示すことがある。 このような集中的なインテントダイナミクスは、トレーニングモデルが観測されていないインテントを捉えるのを難しくし、その結果、特に多くの潜在的なイベントの絡み合いにおいて、準最適一般化性能をもたらす。 包括的犯罪意図を捉えるために,カリキュラム学習に触発された新たな相互蒸留戦略を取り入れた,きめ細かな連続犯罪予測フレームワークであるCristAlarmを提案する。 訓練の初期段階では、スポットシェアされた犯罪意図は、高信頼のシーケンスサンプルによってキャプチャされる。 後半段階では、低信頼配列の寄与を増大させることで、スポット特異的な意図が徐々に学習される。 一方、出力確率分布は予測ネットワーク間で相互に学習され、観測されていない犯罪意図をモデル化する。 大規模な実験では、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。

関連論文リスト

• Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions [2.624902795082451]
  本稿では,犯罪予測に応用された各種機械学習および深層学習アルゴリズムについて,150以上の論文について検討する。 この研究は、研究者による犯罪予測に使われるデータセットへのアクセスを提供する。 本稿では,犯罪予測の精度を高めるための潜在的なギャップと今後の方向性を明らかにする。
  論文  参考訳（メタデータ） (2023-03-28T21:07:42Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• 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)
• 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)
• Explainable Machine Learning for Predicting Homicide Clearance in the United States [0.0]
  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。
  論文  参考訳（メタデータ） (2022-03-09T14:35:12Z)
• The effect of differential victim crime reporting on predictive policing systems [84.86615754515252]
  本研究では, 被害者の犯罪報告率の違いが, 共通犯罪ホットスポット予測モデルにおいて, 結果の相違をもたらすことを示す。 以上の結果から, 犯罪報告率の差は, 高犯罪から低犯罪へ, 高犯罪・中犯罪・高報道へ, 予測ホットスポットの移動につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-01-30T01:57:22Z)
• AIST: An Interpretable Attention-based Deep Learning Model for Crime Prediction [0.30458514384586394]
  AISTは、犯罪予測のための注意ベースの解釈可能なSテンポラルネットワークです。 AISTは、特定の犯罪カテゴリの動的空間依存性と時間パターンをモデル化する。 実験では,実データを用いた精度と解釈の両面で,モデルの優越性を示す。
  論文  参考訳（メタデータ） (2020-12-16T03:01:15Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)
• Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
  近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。 我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
  論文  参考訳（メタデータ） (2020-10-26T04:44:43Z)
• 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)
• 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。