論文の概要: Identifying Culprits Through Deep Deterministic Policy Gradient Deep Learning Investigation

• arxiv url: http://arxiv.org/abs/2605.14774v1
• Date: Thu, 14 May 2026 12:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.825036
• Title: Identifying Culprits Through Deep Deterministic Policy Gradient Deep Learning Investigation
• Title（参考訳）: Deep Deterministic Policy Gradient Deep Learning Investigationによる原因の同定
• Authors: Lata B T, Savitha N J,
• Abstract要約: この研究は、通常、限られたデータ分析に頼っている犯罪捜査を暗示する慣習的な方法に焦点を当てている。 この研究の主な斬新なアプローチは、ディープラーニングアルゴリズムDeep Deterministic Policy Gradient(DDPG)に基づいている。 DDPGは, 犯人を95%の精度で識別する手法の有効性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In the world of AI and advanced technologies investigation aspects identification of a crime or criminal plays a major problem. In this research we focus on a Conventional ways of implicating criminal investigations usually rely on limited data analysis. Finding an optimal and efficient method that will effectively identify criminals from complex datasets and minimise false positives and false negatives is the considered as a challenge. The main novelty approach of this work is based on the deep learning algorithm Deep Deterministic Policy Gradient (DDPG) is presented in this paper. We train the DDPG model with a dataset of crime scene material, witness statements and suspect profiles. The algorithm uses features to maximise the likelihood of identifying the offender while minimising the noise impact and irrelevant data. We show the efficacy of the proposed method, where DDPG identified criminals with an amazing accuracy of 95% than other several existing methods.
• Abstract（参考訳）: AIや先端技術の世界では、犯罪や犯罪者の特定が大きな問題となっている。 本研究は、通常、限定的なデータ分析に頼っている犯罪捜査を暗示する慣習的な方法に焦点を当てる。 複雑なデータセットから犯罪者を効果的に識別し、偽陽性と偽陰性を最小化する最適かつ効率的な方法を見つけることは、課題であると考えられている。 本研究の主な斬新なアプローチは,Deep Deterministic Policy Gradient (DDPG) に基づくディープラーニングアルゴリズムである。 我々は,犯罪現場資料,目撃証言,容疑者プロファイルのデータセットを用いてDDPGモデルを訓練する。 このアルゴリズムは、ノイズの影響と無関係なデータを最小限に抑えながら、犯人を特定する可能性の最大化に機能を利用する。 提案手法の有効性を示し, DDPGが他のいくつかの方法に比べて95%の精度で犯人を同定した。

関連論文リスト

• Predictive Hotspot Mapping for Data-driven Crime Prediction [0.38221075127979987]
  歴史的データに基づく犯罪予測を目的とした非時間的カーネルモデルを作成する。 提案手法は、人間から得られる専門家の入力を、別の情報源を通じて組み込むこともできる。 論文で得られた結果は有望であり、他の設定で容易に適用することができる。
  論文  参考訳（メタデータ） (2026-02-27T07:26:02Z)
• To Search or Not to Search: Aligning the Decision Boundary of Deep Search Agents via Causal Intervention [61.82680155643223]
  我々は,不整合決定境界の根本原因を同定し,蓄積した情報が回答するのに十分であるかどうかをしきい値に判定する。 これにより、過剰探索(十分な知識にもかかわらず冗長探索)と過度探索(早期終了)が誤った答えをもたらす。 まず,境界誤差を識別する因果的介入に基づく診断手法を提案する。 第2に,Deep Search Agent(DAS)のための決定境界アライメントを開発する。 我々のDAS法はこれらの境界を効果的に校正し、オーバーサーチとアンダーサーチの両方を緩和し、精度と効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-02-03T09:29:06Z)
• GradID: Adversarial Detection via Intrinsic Dimensionality of Gradients [0.1019561860229868]
  本稿では,モデルの入力損失景観の幾何学的特性について検討する。 提案手法の基盤となる自然データと逆データに対するIDの相違点を明らかにした。 我々の検出器は、CWやAutoAttackを含む様々な攻撃に対して既存の手法を大幅に上回り、CIFAR-10では92%以上の検出率を達成した。
  論文  参考訳（メタデータ） (2025-12-14T20:16:03Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• DATABench: Evaluating Dataset Auditing in Deep Learning from an Adversarial Perspective [70.77570343385928]
  内的特徴(IF)と外的特徴(EF)(監査のための技術導入)に依存した既存手法の分類を新たに導入する。 回避攻撃(evasion attack)は、データセットの使用を隠蔽するために設計されたもので、偽造攻撃(forgery attack)は、未使用のデータセットを誤って含んでいることを意図している。 さらに,既存手法の理解と攻撃目標に基づいて,回避のための分離・除去・検出,偽造の逆例に基づく攻撃方法など,系統的な攻撃戦略を提案する。 私たちのベンチマークであるData dataBenchは、17の回避攻撃、5の偽攻撃、9の攻撃で構成されています。
  論文  参考訳（メタデータ） (2025-07-08T03:07:15Z)
• Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
  赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。 現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。 本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
  論文  参考訳（メタデータ） (2025-06-15T08:19:32Z)
• Facial Forgery-based Deepfake Detection using Fine-Grained Features [7.378937711027777]
  ディープフェイクによる顔の偽造は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。 我々は,詳細な分類問題としてディープフェイク検出を定式化し,それに対する新たなきめ細かな解を提案する。 本手法は, 背景雑音を効果的に抑制し, 様々なスケールの識別特徴を学習することにより, 微妙で一般化可能な特徴を学習し, 深度検出を行う。
  論文  参考訳（メタデータ） (2023-10-10T21:30:05Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• Data AUDIT: Identifying Attribute Utility- and Detectability-Induced Bias in Task Models [8.420252576694583]
  医用画像データセットの厳密で定量的なスクリーニングのための第1の手法を提案する。 提案手法は,データセット属性に関連するリスクを,検出性と実用性の観点から分解する。 本手法を用いて, ほぼ知覚不能なバイアス誘発アーティファクトを確実に同定するスクリーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-04-06T16:50:15Z)
• The Proximal ID Algorithm [9.190358641395848]
  観測データから有効な因果結論を確立するための基本的な障害である。 我々は因果推論における同定に対する前者および後者のアプローチの合成を開発する。 弊社のやり方では、プロキシを体系的に利用して、保存されていない共同ファウンダーの存在を調整できる。
  論文  参考訳（メタデータ） (2021-08-15T21:32:47Z)

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。