Temel Kavramlar
本文提出了一种名为CrimeAlarm的细粒度犯罪预测框架,通过采用基于课程学习的相互蒸馏策略,有效地捕捉了斑点共享和斑点特定的犯罪意图,从而提高了预测性能。
Özet
本文提出了一种名为CrimeAlarm的细粒度犯罪预测框架,旨在解决细粒度犯罪预测中的强烈意图动态问题。
背景分析:
犯罪预测是一种有效的预防犯罪活动的方法,但也存在一些伦理隐患。
传统的犯罪预测方法包括犯罪制图和基于深度学习的顺序犯罪预测。
细粒度犯罪预测面临着多重犯罪意图交织的挑战,这使得模型难以捕捉未观察到的意图,从而导致性能下降。
方法概述:
CrimeAlarm采用了一种基于课程学习的相互蒸馏策略,以有效地捕捉斑点共享和斑点特定的犯罪意图。
在早期训练阶段,通过高置信度序列样本捕获共享犯罪意图;在后期阶段,通过增加低置信度序列的贡献来逐步学习特定意图。
同时,预测网络之间的输出概率分布被相互学习,以建模未观察到的犯罪意图。
实验结果:
CrimeAlarm在NDCG@5指标上分别在NYC16和CHI18数据集上取得了4.51%和7.73%的改进。
相比于基线方法,CrimeAlarm在不同数据密度和不同序列编码器下都表现出色。
通过增加同伴数量,CrimeAlarm的性能可以进一步提高,但同时也会带来更高的计算开销。
总之,CrimeAlarm通过有效建模犯罪意图动态,在细粒度犯罪预测任务中取得了显著的性能提升。
İstatistikler
在NYC16数据集上,最大犯罪事件数为146.76,最小为429.78,平均为440,标准差为429.78。
在CHI18数据集上,最大犯罪事件数为98.18,最小为253.36,平均为253.36,标准差为246。
Alıntılar
"犯罪可以被认为包含各种被认为有害于个人、社区或社会的活动。"
"区域犯罪活动是动态的,特征是多样的意图不断根据实时环境而变化。"
"适当建模强烈的意图动态对于捕获未观察到的意图并提高泛化性能至关重要。"