論文の概要: CrimeNER Demo: Named-Entity Recognition in the Crime Domain

• arxiv url: http://arxiv.org/abs/2607.14800v1
• Date: Thu, 16 Jul 2026 10:18:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.060448
• Title: CrimeNER Demo: Named-Entity Recognition in the Crime Domain
• Title（参考訳）: CrimeNERのデモ: クリミアドメインにおける名前付きエンティティ認識
• Abstract要約: CrimeNER Demoは、ドキュメントから犯罪関連情報を抽出するAIベースのプラットフォームである。 我々は,CrymNERデータベース上で事前訓練されたNERモデルを提供し,ユーザが自身の注釈付きデータを提供できるようにした。 本発明の実証者は、犯罪関連NER研究を推進し、犯罪情報を自動的に抽出する実用的なツールを提供する。
• 参考スコア（独自算出の注目度）: 13.568340126196153
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present CrimeNER Demo, an AI-powered platform that enables us to extract general crime-related information from documents and classify them into entity types with two levels of granularity. We provide pretrained NER models on the CrimeNER database, and we give the possibility to users to provide their own annotated data to train models for their own specific cases. This demonstrator aims to promote crime-related NER research and provides a practical tool to automatically extract crime information for researchers and law enforcement agencies. The demonstrator includes: i) Pretrained NER models on the crime domain; ii) Possibility to finetune the models on specific data annotated by the user; and iii) An automatic pipeline to extract and annotate crime entities from documents. The demo platform, a tutorial to run the demo, and a video demonstration are publicly available on GitHub.
• Abstract（参考訳）: 私たちは、ドキュメントから一般的な犯罪関連情報を抽出し、2段階の粒度を持つエンティティタイプに分類できる、AIを活用したプラットフォームであるCrymNER Demoを紹介します。 プリトレーニングされたNERモデルをCrimeNERデータベース上に提供し、ユーザが独自のアノテーション付きデータを提供して、特定のケースでモデルをトレーニングすることを可能にする。 犯罪関連NER研究を推進し、研究者や法執行機関に犯罪情報を自動的に抽出する実用的なツールを提供する。 デモには以下のものがある。 一 犯罪領域におけるNERモデルの事前訓練 二 利用者の注記した特定データに基づいてモデルを微調整することができること。 三 書類から犯罪組織を抽出し、注釈を付ける自動パイプライン デモプラットフォーム、デモを実行するチュートリアル、ビデオデモはGitHubで公開されている。

関連論文リスト

• Stealing Reasoning Traces from Proprietary LLM APIs [84.58379404903394]
  我々は、暗号化された推論トレースのためのスケーラブルな復号化ジェイルブレイクを開発する。 抗蒸留機構を回避し、敵がプロプライエタリなモデルの推論を抽出できるようにする。 それは必然的に、推論プロセス内に隠された有害な情報を明らかにします。
  論文  参考訳（メタデータ） (2026-08-10T17:24:50Z)
• Zero- and Few-Shot Named-Entity Recognition: Case Study and Dataset in the Crime Domain (CrimeNER) [13.568340126196153]
  犯罪関連ゼロ・Few-Shot NERのケーススタディであるCrimNERと一般犯罪関連名前認識データベース(CrimeNERdb)について述べる。 5種類の粗大犯罪と,22種類の微粒犯罪を定義した。 ケーススタディとアノテートデータの品質を,汎用的かつ一般的に使用されている大言語モデルだけでなく,現状NERモデルを用いたZeroおよびFew-Shot設定の実験により論じる。
  論文  参考訳（メタデータ） (2026-03-02T18:12:02Z)
• Dynamic Bayesian Networks, Elicitation and Data Embedding for Secure Environments [0.0]
  重大犯罪モデリングは通常、警察の知識と能力が開示されないファイアウォールの裏で安全に行う必要がある。 進行中のインシデントを知らせるデータは、しばしば疎外され、インシデントが終わった後や警察が介入した後にのみ、大量の関連データが明るみに出る。 リアルタイム意思決定をサポートするために警察が利用できるデータの多くは、非常に機密性の高いため、学者と共有できないため、それらに欠けている。 私たちは、これらのモデルのライブラリをどのように構築し、リアルタイムな意思決定支援に利用し、データ不足と重大さの課題を回避できるかを初めて示します。
  論文  参考訳（メタデータ） (2024-09-11T16:24:21Z)
• Machine Unlearning for Document Classification [14.71726430657162]
  機械学習として知られる新しいアプローチが登場し、AIモデルを特定の種類のデータを忘れるようにしている。 この研究は、文書分析アプリケーションにおけるプライバシー問題に対処することを目的とした機械学習手法の開発に向けた先駆的なステップである。
  論文  参考訳（メタデータ） (2024-04-29T18:16:13Z)
• Beyond Labeling Oracles: What does it mean to steal ML models? [52.63413852460003]
  モデル抽出攻撃は、クエリアクセスのみで訓練されたモデルを盗むように設計されている。 モデル抽出攻撃の成功に影響を及ぼす要因について検討する。 我々は,ME攻撃の敵の目標を再定義するようコミュニティに促した。
  論文  参考訳（メタデータ） (2023-10-03T11:10:21Z)
• Are You Stealing My Model? Sample Correlation for Fingerprinting Deep Neural Networks [86.55317144826179]
  従来の方法は、常にモデル指紋として転送可能な敵の例を利用する。 本稿では,SAmple correlation (SAC) に基づく新しいモデル盗難検出手法を提案する。 SACは、敵の訓練や移動学習を含む様々なモデル盗難攻撃をうまく防いでいる。
  論文  参考訳（メタデータ） (2022-10-21T02:07:50Z)
• Dataset Inference for Self-Supervised Models [21.119579812529395]
  機械学習(ML)における自己教師型モデルの普及 それらは、出力するベクトル表現の高次元性のために、モデルステルス攻撃に対して脆弱である。 我々は、被害者エンコーダモデルのプライベートトレーニングセットを使用して、盗難時にその所有権を属性とする新しいデータセット推論ディフェンスを導入する。
  論文  参考訳（メタデータ） (2022-09-16T15:39:06Z)
• MOVE: Effective and Harmless Ownership Verification via Embedded External Features [104.97541464349581]
  本稿では,異なる種類のモデル盗難を同時に防ぐために,効果的かつ無害なモデル所有者認証(MOVE)を提案する。 我々は、疑わしいモデルがディフェンダー特定外部特徴の知識を含むかどうかを検証し、所有権検証を行う。 次に、メタ分類器をトレーニングして、モデルが被害者から盗まれたかどうかを判断します。
  論文  参考訳（メタデータ） (2022-08-04T02:22:29Z)
• Defending against Model Stealing via Verifying Embedded External Features [90.29429679125508]
  トレーニングサンプルがなく、モデルパラメータや構造にアクセスできない場合でも、敵はデプロイされたモデルを盗むことができる。 我々は、不審なモデルがディフェンダー特定遠近法の特徴の知識を含んでいるかどうかを検証することによって、他の角度からの防御を探索する。 本手法は, 複数段階の盗難処理によって盗難モデルが得られた場合でも, 同時に異なる種類の盗難モデルを検出するのに有効である。
  論文  参考訳（メタデータ） (2021-12-07T03:51:54Z)
• Don't Forget to Sign the Gradients! [60.98885980669777]
  GradSignsはディープニューラルネットワーク(DNN)のための新しい透かしフレームワーク 深部ニューラルネットワーク(DNN)のための新しい透かしフレームワークであるGradSignsを紹介します。
  論文  参考訳（メタデータ） (2021-03-05T14:24:32Z)
• Perfecting the Crime Machine [1.266953082426463]
  本研究では、異なる機械学習技術を用いて犯罪関連統計、特にフィラデルフィアの犯罪タイプを予測する。 犯罪の場所と時刻を主な特徴として使用し、生データにある2つの特徴から異なる特徴を抽出し、多数のクラスラベルを扱うモデルを構築します。 本稿では,ランダムフォレストが,エラーログ損失2.3120の犯罪種別予測モデルとして最適であることを示す。
  論文  参考訳（メタデータ） (2020-01-14T23:25:40Z)

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。