論文の概要: Likelihood-Free Estimation for Spatiotemporal Hawkes processes with missing data and application to predictive policing

• arxiv url: http://arxiv.org/abs/2502.07111v1
• Date: Mon, 10 Feb 2025 23:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:05:48.555083
• Title: Likelihood-Free Estimation for Spatiotemporal Hawkes processes with missing data and application to predictive policing
• Title（参考訳）: データ不足を伴う時空間ホークス過程の様相自由推定と予測ポーリングへの応用
• Authors: Pramit Das, Moulinath Banerjee, Yuekai Sun,
• Abstract要約: 時空間ホークスモデルにおける未報告犯罪を考慮に入れたWGAN(Wasserstein Generative Adrial Networks)による可能性のないアプローチを提案する。 本研究では、この手法がデータ不足の有無でパラメトリック推定の精度をいかに向上するかを実証分析により示す。
• 参考スコア（独自算出の注目度）: 24.33098548975857
• License:
• Abstract: With the growing use of AI technology, many police departments use forecasting software to predict probable crime hotspots and allocate patrolling resources effectively for crime prevention. The clustered nature of crime data makes self-exciting Hawkes processes a popular modeling choice. However, one significant challenge in fitting such models is the inherent missingness in crime data due to non-reporting, which can bias the estimated parameters of the predictive model, leading to inaccurate downstream hotspot forecasts, often resulting in over or under-policing in various communities, especially the vulnerable ones. Our work introduces a Wasserstein Generative Adversarial Networks (WGAN) driven likelihood-free approach to account for unreported crimes in Spatiotemporal Hawkes models. We demonstrate through empirical analysis how this methodology improves the accuracy of parametric estimation in the presence of data missingness, leading to more reliable and efficient policing strategies.
• Abstract（参考訳）: AI技術の利用の増加に伴い、多くの警察署は予測ソフトウェアを使用して、予測可能な犯罪ホットスポットを予測し、犯罪防止のためにパトロールリソースを効果的に割り当てる。 犯罪データの集合的な性質は、自己興奮するホークスプロセスを一般的なモデリング選択にしている。 しかし、そのようなモデルに適合する上で重要な課題は、非報告による犯罪データの固有の欠如であり、予測モデルの推定パラメータを偏り、不正確な下流ホットスポット予測をもたらし、しばしば様々な地域、特に脆弱な地域において過度または過度に監視される。 我々の研究は、時空間ホークスモデルにおける未報告犯罪を考慮に入れたWGAN(Wasserstein Generative Adversarial Networks)による可能性のないアプローチを導入している。 本研究では,この手法がデータ不足の有無でパラメトリック推定の精度を向上し,より信頼性が高く効率的な警察戦略をもたらすことを示す。

関連論文リスト

• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• Uncertainty Quantification of Surrogate Models using Conformal Prediction [7.445864392018774]
  我々は,モデルに依存しない方法で予測を満足する共形予測フレームワークを定式化し,ほぼゼロの計算コストを必要とする。 本稿では,決定論的モデルに対する統計的に有効なエラーバーを提供するとともに,確率論的モデルのエラーバーに対する保証を作成することを検討する。
  論文  参考訳（メタデータ） (2024-08-19T10:46:19Z)
• Uncertainty-Aware Crime Prediction With Spatial Temporal Multivariate Graph Neural Networks [12.027484258239824]
  犯罪事件は、特に小さな地域や特定の期間内では、まばらである。 伝統的な時空間深層学習モデルは、しばしばこの空間性に苦しむ。 時空間多変量ゼロ拡張負二項グラフニューラルネットワーク(STMGNN-ZINB)という新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2024-08-08T03:25:41Z)
• Improving the Fairness of Deep-Learning, Short-term Crime Prediction with Under-reporting-aware Models [1.1062397685574308]
  本稿では,予測公正性を高めるために2つのアプローチのパワーを組み合わせた新しいディープラーニングアーキテクチャを提案する。 提案手法は, 内処理脱バイアスモデルと比較して, 犯罪予測の公平性を向上することを示す。
  論文  参考訳（メタデータ） (2024-06-06T04:05:23Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• 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)
• Forecasting COVID-19 daily cases using phone call data [0.0]
  本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。 提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
  論文  参考訳（メタデータ） (2020-10-05T18:07:07Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。