論文の概要: FASE : A Fairness-Aware Spatiotemporal Event Graph Framework for Predictive Policing

• arxiv url: http://arxiv.org/abs/2604.18644v2
• Date: Wed, 22 Apr 2026 02:27:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.444517
• Title: FASE : A Fairness-Aware Spatiotemporal Event Graph Framework for Predictive Policing
• Title（参考訳）: FASE : 予測ポーリングのための時空間時空間イベントグラフフレームワーク
• Authors: Pronob Kumar Barman, Pronoy Kumar Barman, Plaban Kumar Barman, Rohan Mandar Salvi,
• Abstract要約: 予測犯罪リスクのみに基づいてパトロール資源を割り当てる予測的警察システムは、フィードバック駆動データを通じて意図せずに人種格差を増幅することができる。 本稿では,犯罪予測と公正な制約付きパトロールアロケーションと閉ループ展開フィードバックシミュレータを組み合わせた,時間的イベントグラフフレームワークFASEを提案する。 割り当てレベルの公平性だけでは、データの再トレーニングにおけるフィードバック誘起バイアスを排除せず、完全なパイプライン全体にわたる公平な介入の必要性を強調します。
• 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 allocate patrol resources based solely on predicted crime risk can unintentionally amplify racial disparities through feedback driven data bias. We present FASE, a Fairness Aware Spatiotemporal Event Graph framework, which integrates spatiotemporal crime prediction with fairness constrained patrol allocation and a closed loop deployment feedback simulator. We model Baltimore as a graph of 25 ZIP Code Tabulation Areas and use 139,982 Part 1 crime incidents from 2017 to 2019 at hourly resolution, producing a sparse feature tensor. The prediction module combines a spatiotemporal graph neural network with a multivariate Hawkes process to capture spatial dependencies and self exciting temporal dynamics. Outputs are modeled using a Zero Inflated Negative Binomial distribution, suitable for overdispersed and zero heavy crime counts. The model achieves a validation loss of 0.4800 and a test loss of 0.4857. Patrol allocation is formulated as a fairness constrained linear optimization problem that maximizes risk weighted coverage while enforcing a Demographic Impact Ratio constraint with deviation bounded by 0.05. Across six simulated deployment cycles, fairness remains within 0.9928 to 1.0262, and coverage ranges from 0.876 to 0.936. However, a persistent detection rate gap of approximately 3.5 percentage points remains between minority and non minority areas. This result shows that allocation level fairness constraints alone do not eliminate feedback induced bias in retraining data, highlighting the need for fairness interventions across the full pipeline.
• Abstract（参考訳）: 予測犯罪リスクのみに基づいてパトロールリソースを割り当てる予測的警察システムは、フィードバック駆動データバイアスを通じて、意図せずに人種格差を増幅することができる。 フェアネスを考慮した時空間イベントグラフフレームワークであるFASEを,時空間犯罪予測とフェアネス制約付きパトロールアロケーションと,ループ配置フィードバックシミュレータを統合した。 私たちはボルチモアを25のZIPコードタブリゲーションエリアのグラフとしてモデル化し、2017年から2019年にかけて139,982のパート1の犯罪事件を時間分解で処理し、スパース機能テンソルを生成します。 予測モジュールは、時空間グラフニューラルネットワークと多変量ホークスプロセスを組み合わせて、空間的依存関係と自己刺激的な時間的ダイナミクスをキャプチャする。 アウトプットは、過分散および重犯罪数ゼロに適したゼロ膨張負二項分布を用いてモデル化される。 モデルの検証損失は0.4800、テスト損失は0.4857である。 パトロール割り当ては、リスク重み付きカバレッジを最大化する公平性制約付き線形最適化問題として定式化され、偏差0.05のデモグラフィックインパクト比制約が課される。 6回の模擬展開サイクルで、フェアネスは 0.9928 から 1.0262 に留まり、カバー範囲は 0.876 から 0.936 までである。 しかし、少数派と非少数派の間では、約3.5ポイントの持続的な検出率ギャップが残っている。 この結果は、アロケーションレベルのフェアネスの制約だけでは、データの再トレーニングにおけるフィードバックによるバイアスを排除せず、完全なパイプライン全体にわたってフェアネスの介入の必要性を強調していることを示している。

関連論文リスト

• Bias-Corrected Adaptive Conformal Inference for Multi-Horizon Time Series Forecasting [0.0]
  アダプティブ・コンフォーマル推論(Adaptive Conformal Inference, ACI)は、分散シフト中の時系列のカバレッジ保証を備えた、分布のない予測間隔を提供する。 状態変化の後、ベース予測器が永続的バイアスを発生させると、ACIは左右対称に間隔を広げて補償し、不要に保守的な帯域を生成する。 本稿では,予測バイアスの指数重み付きオンライン移動平均(EWM)で標準ACIを増大させるバイアス補正ACI(BC-ACI)を提案する。
  論文  参考訳（メタデータ） (2026-04-14T19:33:59Z)
• Unmasking Algorithmic Bias in Predictive Policing: A GAN-Based Simulation Framework with Multi-City Temporal Analysis [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-19T14:55:32Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• 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)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)

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。