論文の概要: Unmasking Algorithmic Bias in Predictive Policing: A GAN-Based Simulation Framework with Multi-City Temporal Analysis

• arxiv url: http://arxiv.org/abs/2603.18987v1
• Date: Thu, 19 Mar 2026 14:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.210954
• Title: Unmasking Algorithmic Bias in Predictive Policing: A GAN-Based Simulation Framework with Multi-City Temporal Analysis
• Title（参考訳）: 予測型ポーリングにおけるアルゴリズムバイアスの解法:多都市時間解析によるGANに基づくシミュレーションフレームワーク
• Authors: Pronob Kumar Barman, Pronoy Kumar Barman,
• Abstract要約: 我々は、犯罪発生から警察との接触まで、人種的偏見が完全な執行パイプラインを通してどのように伝播しているかを示す。 ボルチモアでは、2019年には平均15714人まで、シカゴDIRでは黒人が0.22人の割合で検出されている。 さらに,条件付きタブラルガンCTGANデバイアス法は,検出率の一部を部分的に再分割するが,政策介入を伴わずとも構造的格差を排除できないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predictive policing systems that direct patrol resources based on algorithmically generated crime forecasts have been widely deployed across US cities, yet their tendency to encode and amplify racial disparities remains poorly understood in quantitative terms. We present a reproducible simulation framework that couples a Generative Adversarial Network GAN with a Noisy OR patrol detection model to measure how racial bias propagates through the full enforcement pipeline from crime occurrence to police contact. Using 145000 plus Part 1 crime records from Baltimore 2017 to 2019 and 233000 plus records from Chicago 2022, augmented with US Census ACS demographic data, we compute four monthly bias metrics across 264 city year mode observations: the Disparate Impact Ratio DIR, Demographic Parity Gap, Gini Coefficient, and a composite Bias Amplification Score. Our experiments reveal extreme and year variant bias in Baltimores detected mode, with mean annual DIR up to 15714 in 2019, moderate under detection of Black residents in Chicago DIR equals 0.22, and persistent Gini coefficients of 0.43 to 0.62 across all conditions. We further demonstrate that a Conditional Tabular GAN CTGAN debiasing approach partially redistributes detection rates but cannot eliminate structural disparity without accompanying policy intervention. Socioeconomic regression analysis confirms strong correlations between neighborhood racial composition and detection likelihood Pearson r equals 0.83 for percent White and r equals negative 0.81 for percent Black. A sensitivity analysis over patrol radius, officer count, and citizen reporting probability reveals that outcomes are most sensitive to officer deployment levels. The code and data are publicly available at this repository.
• Abstract（参考訳）: アルゴリズムによって生成された犯罪予測に基づいてパトロール資源を誘導する予測的な警察システムは、米国各都市に広く展開されているが、人種的格差を符号化し増幅する傾向は、定量的にはあまり理解されていない。 本稿では, 犯罪発生から警察との接触まで, 人種差別バイアスが全執行パイプラインを通してどのように伝播するかを測定するために, 生成的敵対ネットワークGANとノイズまたはパトロール検出モデルとを結合した再現可能なシミュレーションフレームワークを提案する。 ボルチモアの2017年から2019年にかけての145000件の犯罪記録と、シカゴ2022年の233000件の犯罪記録と、米国国勢調査ACSの人口統計データを用いて、264の都市年次モードで観測された4つの月次偏差値(Disparate Impact Ratio DIR、Demographic Parity Gap、Gini Coefficient、複合バイアス増幅スコア)を計算した。 実験の結果、ボルチモアでは2019年に平均15714まで、シカゴDIRでは黒人が0.22に、ギニ係数は0.43から0.62に変化していることがわかった。 さらに,条件付きタブラルGANCTGANデバイアス法は,検出率の一部を部分的に再分割するが,政策介入を伴わずとも構造的格差を排除できないことを示す。 社会経済レグレッション分析では、近隣の人種構成と検出可能性の相関が強く、ピアソンrはホワイトの0.83、rはブラックの0.81である。 パトロール半径、士官数、市民の報告確率の感度分析により、結果が士官の配備レベルに最も敏感であることが判明した。 コードとデータは、このリポジトリで公開されている。

関連論文リスト

• Denoising the US Census: Succinct Block Hierarchical Regression [48.50026671993762]
  我々は、より正確で一貫した見積もりを生成する新しい後処理手法であるBlueDownを紹介する。 アメリカ合衆国国勢調査局が提案する評価指標に基づいて,郡域の集計値とトラクションレベルの精度を特に高めに改善した。
  論文  参考訳（メタデータ） (2026-03-10T17:39:25Z)
• A Comparative Simulation Study of the Fairness and Accuracy of Predictive Policing Systems in Baltimore City [0.5774786149181391]
  ボルチモアにおける予測警察システムの公正性と正確性に関する総合的な比較シミュレーションを行った。 以上の結果から,予測ポーリングにおけるバイアスの状況は,従来想定されていたよりも複雑であることが示唆された。 予測的ポリシングは短期的にはホットスポットポリシングよりも公平で正確であることが判明したが、バイアスは速くなった。
  論文  参考訳（メタデータ） (2026-01-30T19:34:46Z)
• Urban Incident Prediction with Graph Neural Networks: Integrating Government Ratings and Crowdsourced Reports [6.4910613074559445]
  本稿では,非バイアス評価データとバイアスレポートデータの両方を用いて,事象の真の潜伏状態を予測するマルチビュー多出力GNNモデルを提案する。 評価データのみを使用するモデルと比較して,本モデルが潜伏状態を予測できる実データと半合成データの両方を示す。
  論文  参考訳（メタデータ） (2025-06-10T12:37:17Z)
• Estimating Racial Disparities When Race is Not Observed [3.0931877196387196]
  本稿では,人種間の格差を推定する新しいモデルについて,人種の指標変数として姓を用いて紹介する。 ノースカロライナの投票者ファイルに基づく検証調査では、BISG+BIRDiEは政党登録における人種的違いを推定した場合、エラーを最大84%削減している。 提案手法を適用し,米国内国歳入庁の個人レベルの税率データを用いて住宅ローン利子控除の恩恵を受ける者の人種差を推定する。
  論文  参考訳（メタデータ） (2023-03-05T04:46:16Z)
• Counter-GAP: Counterfactual Bias Evaluation through Gendered Ambiguous Pronouns [53.62845317039185]
  バイアス測定データセットは、言語モデルのバイアスされた振る舞いを検出する上で重要な役割を果たす。 本稿では, 多様な, 自然な, 最小限のテキストペアを, 対物生成によって収集する新しい手法を提案する。 事前学習された4つの言語モデルは、各グループ内よりも、異なる性別グループ間でかなり不整合であることを示す。
  論文  参考訳（メタデータ） (2023-02-11T12:11:03Z)
• Retiring $\Delta$DP: New Distribution-Level Metrics for Demographic Parity [47.78843764957511]
  デルタDP$のフェアネス指標は、人口格差の違反を正確に測定することはできない。 確率密度関数曲線(ABPC)と累積密度関数曲線(ABCC)の2つの新しいフェアネス指標を提案する。 提案手法では, ABCC/ABPCがゼロ値であること, ABCC/ABPCがゼロ値であること, ABCC/ABPCが階層パリティを保証し, 分類しきい値の調整を行う。
  論文  参考訳（メタデータ） (2023-01-31T06:43:55Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• 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)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)

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。