論文の概要: Efficient Disruption of Criminal Networks through Multi-Objective Genetic Algorithms

• arxiv url: http://arxiv.org/abs/2604.09647v1
• Date: Fri, 27 Mar 2026 06:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.595797
• Title: Efficient Disruption of Criminal Networks through Multi-Objective Genetic Algorithms
• Title（参考訳）: 多目的遺伝的アルゴリズムによる犯罪ネットワークの効率的な破壊
• Authors: Yehezkiel Darmadi, Thanh Thi Nguyen, Campbell Wilson,
• Abstract要約: シチリア・マフィアのような犯罪ネットワークは、公共の安全、国家の安全、経済の安定に重大な脅威をもたらす。 ネットワークの隠蔽のため、影響力のある個人やキープレーヤーを排除することに焦点を当てた時代遅れのディスラプション手法は、効果がないことが証明されている。 本研究では,重み付きSum Genetic Algorithm (WS-GA) や非目的のSorting Genetic Algorithm II (NSGA-II) のような多元的フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.6275547549769507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Criminal networks, such as the Sicilian Mafia, pose substantial threats to public safety, national security, and economic stability. Outdated disruption methods with a focus on removing influential individuals or key players have proven ineffective due to the covertness of the network. Thus, researchers have been trying to apply Social Network Analysis (SNA) techniques, such as centrality-based measures, to identify key players. However, removing individuals with high centrality often proves to be inefficient, as it does not mimic the real-world scenarios that Law Enforcement Agencies (LEAs) face. For instance, the operational costs limit the LEAs from exploiting the results of the centrality-based methods. This study proposes a multi-objective optimisation framework like the Weighted Sum Genetic Algorithm (WS-GA) and the Non-dominated Sorting Genetic Algorithm II (NSGA-II) to identify disruption strategies that balance two conflicting goals, maximising fragmentation and minimising operational cost which is captured by the spatial distance between nodes and the nearest LEA headquarters. The study utilises the "Montagna Operation" dataset for the experiments. The results demonstrate that although centrality-based approaches can fragment network effectively, they tend to incur higher operational costs. In contrast, the proposed algorithms achieve comparable disruption outcomes with significantly lower operational costs. The contribution of this work lies in incorporating operational costs in a form of spatial distance constraints into disruption strategy, which has been largely overlooked in prior studies. This research offers a scalable multi-objective capability that improves practical application of SNA in guiding LEAs in disrupting criminal networks more efficiently and strategically.
• Abstract（参考訳）: シチリア・マフィアのような犯罪ネットワークは、公共の安全、国家の安全、経済の安定に重大な脅威をもたらす。 ネットワークの隠蔽のため、影響力のある個人やキープレーヤーを排除することに焦点を当てた時代遅れのディスラプション手法は、効果がないことが証明されている。 このようにして、研究者は中心性に基づく尺度のようなソーシャル・ネットワーク・アナリティクス(SNA)の手法をキープレーヤーの識別に適用しようと試みてきた。 しかし、法執行機関(LEA)が直面する現実のシナリオを模倣しないため、高い中心性を持つ個人を削除することは、しばしば非効率であることが証明される。 例えば、運用コストは、集中度に基づく手法の結果を活用することを制限する。 本研究では,2つの相反する目標のバランスを保ち,ノードと最寄りのLEA本部間の空間的距離で捕捉される運用コストを最大化するために,重み付きSum Genetic Algorithm (WS-GA) や非支配的Sorting Genetic Algorithm II (NSGA-II) などの多目的最適化フレームワークを提案する。 この研究は、実験のために"Montagna Operation"データセットを利用する。 その結果、中央集権性に基づくアプローチはネットワークを効果的に断片化するが、高い運用コストを発生させる傾向があることが示された。 対照的に、提案アルゴリズムは、運用コストを大幅に削減した、同等の破壊的な結果を達成する。 この研究の貢献は、従来の研究でほとんど見過ごされてきたディスラプション戦略に、空間距離制約の形で運用コストを組み込むことにある。 本研究は、犯罪ネットワークをより効率的かつ戦略的に破壊するためのLEAの誘導におけるSNAの実践的応用を改善するスケーラブルな多目的能力を提供する。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• ESearch-R1: Learning Cost-Aware MLLM Agents for Interactive Embodied Search via Reinforcement Learning [40.2017873619555]
  ESearch-R1はコスト認識型推論フレームワークである。 対話型対話(Ask)、エピソードメモリ検索(GetMemory)、物理ナビゲーション(Navigate)を単一の決定プロセスに統合する。 総運用コストを約50%削減し、タスク成功率を向上させる。
  論文  参考訳（メタデータ） (2025-12-21T02:45:08Z)
• Fine-Grained Iterative Adversarial Attacks with Limited Computation Budget [23.463577631629335]
  この研究は、限られた計算の下でAI安全研究において重要な課題に取り組む。 反復的敵攻撃の強さを最大化する方法 本稿では,繰り返しレベルと層レベルで層活性化を選択的に再計算する,きめ細かい制御機構を提案する。
  論文  参考訳（メタデータ） (2025-10-30T20:13:06Z)
• GARG-AML against Smurfing: A Scalable and Interpretable Graph-Based Framework for Anti-Money Laundering [5.4807970361321585]
  本稿では, 効率的なアンチマネーロンダリング(AML)のためのグラフベースの新しいGARG-AMLを提案する。 ネットワーク内の各ノードに1つの解釈可能なスコアを与えることで、一般的なマネーロンダリング手法であるスマーフィングリスクを定量化する。 提案手法は, 計算効率, 検出能力, 透明性のバランスをとる。
  論文  参考訳（メタデータ） (2025-06-04T11:30:37Z)
• Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
  移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。 深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
  論文  参考訳（メタデータ） (2024-12-21T10:18:55Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Neural Active Learning Beyond Bandits [69.99592173038903]
  ストリームベースとプールベースの両方のアクティブラーニングをニューラルネットワーク近似を用いて検討する。 ストリームベースおよびプールベースアクティブラーニングのためのニューラルネットワークを新たに設計したエクスプロイトと探索に基づく2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-18T21:52:14Z)
• Imitation Learning based Alternative Multi-Agent Proximal Policy Optimization for Well-Formed Swarm-Oriented Pursuit Avoidance [15.498559530889839]
  本稿では,分散学習に基づく代替的マルチエージェント・プロキシ・ポリシー最適化(IA-MAPPO)アルゴリズムを提案する。 擬似学習を利用して生成コントローラを分散化し,通信オーバーヘッドを低減し,スケーラビリティを向上させる。 シミュレーションの結果,IA-MAPPOの有効性が検証され,広範囲なアブレーション実験により,通信オーバーヘッドが著しく減少する集中型解に匹敵する性能が示された。
  論文  参考訳（メタデータ） (2023-11-06T06:58:16Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
  インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。 本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。 最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
  論文  参考訳（メタデータ） (2021-06-13T16:42:22Z)

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。