論文の概要: Crime Hotspot Prediction Using Deep Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2506.13116v1
• Date: Mon, 16 Jun 2025 05:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.507884
• Title: Crime Hotspot Prediction Using Deep Graph Convolutional Networks
• Title（参考訳）: 深部グラフ畳み込みネットワークを用いた犯罪ホットスポット予測
• Authors: Tehreem Zubair, Syeda Kisaa Fatima, Noman Ahmed, Asifullah Khan,
• Abstract要約: 犯罪のホットスポット予測は、都市の安全と効果的な法執行の確保に重要であるが、犯罪活動に固有の複雑な空間的依存関係のため、依然として困難である。 本稿では,犯罪データをグラフとして表現することで空間依存を明示的にモデル化する,グラフ畳み込みネットワーク(GCN)に基づく新しいフレームワークを提案する。 本手法は,88%の分類精度を達成し,従来の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 0.3749861135832073
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Crime hotspot prediction is critical for ensuring urban safety and effective law enforcement, yet it remains challenging due to the complex spatial dependencies inherent in criminal activity. The previous approaches tended to use classical algorithms such as the KDE and SVM to model data distributions and decision boundaries. The methods often fail to capture these spatial relationships, treating crime events as independent and ignoring geographical interactions. To address this, we propose a novel framework based on Graph Convolutional Networks (GCNs), which explicitly model spatial dependencies by representing crime data as a graph. In this graph, nodes represent discrete geographic grid cells and edges capture proximity relationships. Using the Chicago Crime Dataset, we engineer spatial features and train a multi-layer GCN model to classify crime types and predict high-risk zones. Our approach achieves 88% classification accuracy, significantly outperforming traditional methods. Additionally, the model generates interpretable heat maps of crime hotspots, demonstrating the practical utility of graph-based learning for predictive policing and spatial criminology.
• Abstract（参考訳）: 犯罪のホットスポット予測は、都市の安全と効果的な法執行の確保に重要であるが、犯罪活動に固有の複雑な空間的依存関係のため、依然として困難である。 以前のアプローチでは、データ分散と決定境界をモデル化するためにKDEやSVMのような古典的なアルゴリズムを使う傾向があった。 これらの手法はしばしばこれらの空間的関係を捉えず、犯罪事件を独立して地理的相互作用を無視するものとして扱う。 そこで我々は,犯罪データをグラフとして表現することで空間依存を明示的にモデル化する,グラフ畳み込みネットワーク(GCN)に基づく新しいフレームワークを提案する。 このグラフでは、ノードは離散的な地理的グリッドセルを表し、エッジは近接関係をキャプチャする。 シカゴ犯罪データセットを用いて、空間的特徴を設計し、犯罪のタイプを分類し、リスクの高いゾーンを予測するために多層GCNモデルを訓練する。 本手法は,88%の分類精度を達成し,従来の手法を著しく上回っている。 さらに,犯罪ホットスポットの解釈可能なヒートマップを生成し,予測ポーリングと空間犯罪学のためのグラフベース学習の実用性を実証した。

関連論文リスト

• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• Spatial-Temporal Mixture-of-Graph-Experts for Multi-Type Crime Prediction [26.79981325208879]
  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。
  論文  参考訳（メタデータ） (2024-09-24T05:41:11Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• 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)
• 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)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)

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。