論文の概要: Learning A Universal Crime Predictor with Knowledge-guided Hypernetworks

• arxiv url: http://arxiv.org/abs/2511.02336v1
• Date: Tue, 04 Nov 2025 07:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.842041
• Title: Learning A Universal Crime Predictor with Knowledge-guided Hypernetworks
• Title（参考訳）: 知識誘導型ハイパーネットを用いたユニバーサル犯罪予測器の学習
• Authors: Fidan Karimova, Tong Chen, Yu Yang, Shazia Sadiq,
• Abstract要約: 本研究では,異なる都市の記録に同一の犯罪タイプを仮定することなく,統一的で強力な犯罪予測器を効果的に訓練できる枠組みを提案する。 HYSTLでは、犯罪タイプごとに専用の予測器をパラメータ化する代わりに、ハイパーネットワークが、犯罪タイプの関心によって条件付けられた予測関数のパラメータを動的に生成するように設計されている。 重複しない犯罪タイプを持つ2つの都市で実験を行い、HYSTLが最先端のベースラインを上回っていることを示す。
• 参考スコア（独自算出の注目度）: 13.484858937816076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting crimes in urban environments is crucial for public safety, yet existing prediction methods often struggle to align the knowledge across diverse cities that vary dramatically in data availability of specific crime types. We propose HYpernetwork-enhanced Spatial Temporal Learning (HYSTL), a framework that can effectively train a unified, stronger crime predictor without assuming identical crime types in different cities' records. In HYSTL, instead of parameterising a dedicated predictor per crime type, a hypernetwork is designed to dynamically generate parameters for the prediction function conditioned on the crime type of interest. To bridge the semantic gap between different crime types, a structured crime knowledge graph is built, where the learned representations of crimes are used as the input to the hypernetwork to facilitate parameter generation. As such, when making predictions for each crime type, the predictor is additionally guided by its intricate association with other relevant crime types. Extensive experiments are performed on two cities with non-overlapping crime types, and the results demonstrate HYSTL outperforms state-of-the-art baselines.
• Abstract（参考訳）: 都市環境における犯罪の予測は、公共の安全のために重要であるが、既存の予測手法は、特定の犯罪種のデータの可用性が劇的に変化する多様な都市間で知識の整合に苦慮することが多い。 我々は,異なる都市の記録に同一の犯罪タイプを仮定することなく,統一的で強力な犯罪予測器を効果的に訓練する枠組みであるHYSTLを提案する。 HYSTLでは、犯罪タイプごとに専用の予測器をパラメータ化する代わりに、ハイパーネットワークが、犯罪タイプの関心によって条件付けられた予測関数のパラメータを動的に生成するように設計されている。 異なる犯罪タイプ間のセマンティックなギャップを埋めるために、構造化された犯罪知識グラフを構築し、学習された犯罪の表現をハイパーネットワークへの入力として使用してパラメータ生成を容易にする。 そのため、各犯罪種別予測を行う際には、他の犯罪種別との複雑な関連によって予測者が導かれる。 重なり合わない2つの都市で大規模な実験を行い、HYSTLは最先端のベースラインより優れていることを示した。

関連論文リスト

• 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)
• 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)
• 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)
• 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。