論文の概要: Enhancing Binary Encoded Crime Linkage Analysis Using Siamese Network

• arxiv url: http://arxiv.org/abs/2511.07651v1
• Date: Wed, 12 Nov 2025 01:09:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.411782
• Title: Enhancing Binary Encoded Crime Linkage Analysis Using Siamese Network
• Title（参考訳）: シームズネットワークを用いたバイナリエンコード犯罪リンク解析の強化
• Authors: Yicheng Zhan, Fahim Ahmed, Amy Burrell, Matthew J. Tonkin, Sarah Galambos, Jessica Woodhams, Dalal Alrajeh,
• Abstract要約: 本稿では,複雑な犯罪データから潜在表現を学習し,相関関係を明らかにする枠組みを提案する。 その結果,高度な機械学習手法はリンク精度を大幅に向上させ,従来の手法よりも最大9%改善できることがわかった。
• 参考スコア（独自算出の注目度）: 1.4853846317417458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective crime linkage analysis is crucial for identifying serial offenders and enhancing public safety. To address limitations of traditional crime linkage methods in handling high-dimensional, sparse, and heterogeneous data, we propose a Siamese Autoencoder framework that learns meaningful latent representations and uncovers correlations in complex crime data. Using data from the Violent Crime Linkage Analysis System (ViCLAS), maintained by the Serious Crime Analysis Section of the UK's National Crime Agency, our approach mitigates signal dilution in sparse feature spaces by integrating geographic-temporal features at the decoder stage. This design amplifies behavioral representations rather than allowing them to be overshadowed at the input level, yielding consistent improvements across multiple evaluation metrics. We further analyze how different domain-informed data reduction strategies influence model performance, providing practical guidance for preprocessing in crime linkage contexts. Our results show that advanced machine learning approaches can substantially enhance linkage accuracy, improving AUC by up to 9% over traditional methods while offering interpretable insights to support investigative decision-making.
• Abstract（参考訳）: 実効性犯罪連鎖分析は、連続犯罪を識別し、公衆の安全を高めるために重要である。 高次元・スパース・異種データを扱う場合の従来の犯罪リンク手法の限界に対処するため,複雑な犯罪データに有意な潜伏表現を学習し相関関係を明らかにするシームズ・オートエンコーダ・フレームワークを提案する。 英国犯罪庁シリアス犯罪分析部門が管理する暴力犯罪リンク分析システム(ViCLAS)のデータを用いて,デコーダ段階での地理的時間的特徴を統合することにより,スパース特徴空間における信号の希釈を緩和する。 この設計は、複数の評価指標間で一貫した改善をもたらすため、入力レベルでそれらを隠すのではなく、行動表現を増幅する。 さらに、異なるドメインインフォームドデータ削減戦略がモデル性能にどのように影響するかを分析し、犯罪リンク状況における事前処理の実践的ガイダンスを提供する。 この結果から,高度な機械学習手法によりリンク精度を大幅に向上し,従来の手法よりも最大9%向上し,探索的意思決定を支援するための解釈可能な洞察を提供することができた。

関連論文リスト

• Exploring Generalized Gait Recognition: Reducing Redundancy and Noise within Indoor and Outdoor Datasets [24.242460774158463]
  一般化歩行認識は、多様な領域にわたる堅牢なパフォーマンスを実現することを目的としている。 混合データセットトレーニングは一般化を高めるために広く利用されている。 クロスドメイン歩行認識を体系的に改善する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T06:46:09Z)
• CONTINUUM: Detecting APT Attacks through Spatial-Temporal Graph Neural Networks [0.9553673944187253]
  Advanced Persistent Threats (APT) はサイバーセキュリティにおいて重要な課題である。 従来の侵入検知システム(IDS)は、これらの多段階攻撃を検出するのに不足することが多い。
  論文  参考訳（メタデータ） (2025-01-06T12:43:59Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• 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)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。