論文の概要: Spatial-Temporal Mixture-of-Graph-Experts for Multi-Type Crime Prediction

• arxiv url: http://arxiv.org/abs/2409.15764v1
• Date: Tue, 24 Sep 2024 05:41:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 08:51:16.976770
• Title: Spatial-Temporal Mixture-of-Graph-Experts for Multi-Type Crime Prediction
• Title（参考訳）: マルチタイプ犯罪予測のための空間-時間混合グラフ実験
• Authors: Ziyang Wu, Fan Liu, Jindong Han, Yuxuan Liang, Hao Liu,
• Abstract要約: 本稿では,複数タイプの犯罪予測のための時空間混在(ST-MoGE)フレームワークを提案する。 我々は,各犯罪カテゴリの特有かつ共有された犯罪パターンを捉えるために,注意を喚起したMGE(Mixture-of-Graph-Experts)モジュールを導入する。 そこで我々は,MGEを更新し,各専門家に特定のパターンモデリングに集中させるクロスエキスパートコントラスト学習(CECL)を提案する。
• 参考スコア（独自算出の注目度）: 26.79981325208879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As various types of crime continue to threaten public safety and economic development, predicting the occurrence of multiple types of crimes becomes increasingly vital for effective prevention measures. Although extensive efforts have been made, most of them overlook the heterogeneity of different crime categories and fail to address the issue of imbalanced spatial distribution. In this work, we propose a Spatial-Temporal Mixture-of-Graph-Experts (ST-MoGE) framework for collective multiple-type crime prediction. To enhance the model's ability to identify diverse spatial-temporal dependencies and mitigate potential conflicts caused by spatial-temporal heterogeneity of different crime categories, we introduce an attentive-gated Mixture-of-Graph-Experts (MGEs) module to capture the distinctive and shared crime patterns of each crime category. Then, we propose Cross-Expert Contrastive Learning(CECL) to update the MGEs and force each expert to focus on specific pattern modeling, thereby reducing blending and redundancy. Furthermore, to address the issue of imbalanced spatial distribution, we propose a Hierarchical Adaptive Loss Re-weighting (HALR) approach to eliminate biases and insufficient learning of data-scarce regions. To evaluate the effectiveness of our methods, we conduct comprehensive experiments on two real-world crime datasets and compare our results with twelve advanced baselines. The experimental results demonstrate the superiority of our methods.
• Abstract（参考訳）: 様々な種類の犯罪が公衆の安全や経済発展を脅かし続けているため、効果的な予防策として、複数の犯罪の発生を予測することがますます重要になっている。 広範囲にわたる努力がなされているが、その多くは異なる犯罪カテゴリーの不均一性を見落とし、不均衡な空間分布の問題に対処することができない。 本研究では,集合的多重型犯罪予測のための空間-時間混合グラフ-エクササイズ(ST-MoGE)フレームワークを提案する。 異なる犯罪カテゴリの空間的・時間的異質性に起因する潜在的な対立を緩和し、多様な空間的・時間的依存関係を識別するモデルの能力を高めるため、各犯罪カテゴリの特有かつ共有的な犯罪パターンを捉えるために、注意喚起された混合グラフ・エクスプット(MGE)モジュールを導入する。 そこで我々は,MGEを更新し,各専門家に特定のパターンモデリングに集中させ,ブレンディングと冗長性を低減させるクロスエキスパートコントラスト学習(CECL)を提案する。 さらに,不均衡な空間分布の問題に対処するため,階層型適応損失再重み付け(HALR)手法を提案する。 本手法の有効性を評価するため、2つの実世界犯罪データセットの総合的な実験を行い、その結果を12の高度なベースラインと比較した。 実験により,本手法の優位性を実証した。

関連論文リスト

• Ensemble Adversarial Defense via Integration of Multiple Dispersed Low Curvature Models [7.8245455684263545]
  本研究では,攻撃伝達性を低減し,アンサンブルの多様性を高めることを目的とする。 損失曲率を表す2階勾配を, 対向的強靭性の重要な要因として同定する。 本稿では,複数変数の低曲率ネットワークモデルをトレーニングするための新しい正規化器を提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:44:36Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Hyperbolic Face Anti-Spoofing [21.981129022417306]
  双曲空間におけるよりリッチな階層的および差別的なスプーフィングキューを学習することを提案する。 単調なFAS学習では、特徴埋め込みはポアンカーボールに投影され、双対対対数回帰層は分類のためにカスケードされる。 双曲空間における消失勾配問題を緩和するために,双曲モデルのトレーニング安定性を高めるために,新しい特徴クリッピング法を提案する。
  論文  参考訳（メタデータ） (2023-08-17T17:18:21Z)
• Decentralized Adversarial Training over Graphs [55.28669771020857]
  機械学習モデルの敵攻撃に対する脆弱性は、近年、かなりの注目を集めている。 この研究は、個々のエージェントが様々な強度摂動空間に従属するグラフ上の敵の訓練を研究する。
  論文  参考訳（メタデータ） (2023-03-23T15:05:16Z)
• 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)
• HAGEN: Homophily-Aware Graph Convolutional Recurrent Network for Crime Forecasting [11.469930516486901]
  本稿では,犯罪予測のための新しい設計を複数用意した,HAGENと呼ばれるエンドツーエンドのグラフ畳み込みリカレントネットワークを提案する。 GNNのホモフィリーな仮定に基づいて、領域グラフの最適化を規則化するホモフィリーな制約を提案する。 また、犯罪の埋め込みを取り入れ、地域と犯罪カテゴリー間の相互依存をモデル化する。
  論文  参考訳（メタデータ） (2021-09-27T07:46:05Z)
• Contextual Fusion For Adversarial Robustness [0.0]
  ディープニューラルネットワークは、通常、1つの特定の情報ストリームを処理し、様々な種類の敵の摂動に影響を受けやすいように設計されている。 そこで我々はPlaces-CNNとImagenet-CNNから並列に抽出した背景特徴と前景特徴を組み合わせた融合モデルを開発した。 グラデーションをベースとした攻撃では,フュージョンは乱れのないデータの性能を低下させることなく,分類の大幅な改善を可能にする。
  論文  参考訳（メタデータ） (2020-11-18T20:13:23Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)
• A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack and Learning [122.49765136434353]
  本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。 また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。 いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
  論文  参考訳（メタデータ） (2020-10-15T16:07:26Z)

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。