CrimeAlarm：面向细粒度犯罪预测的密集意图动态
机器学习
2024-04-11 v1 人工智能
摘要
粒度和准确性是犯罪事件预测的两个关键因素。在细粒度事件分类中，多种犯罪意图可能会在前序序列事件中交替出现，并在后续以不同方式演进。这种密集的意图动态使得训练模型难以捕捉未观测到的意图，从而导致次优的泛化性能，尤其是在大量潜在事件交织的情况下。为了捕捉全面的犯罪意图，本文提出了一个细粒度序列犯罪预测框架 CrimeAlarm，该框架配备了受课程学习启发的新颖互蒸馏策略。在早期训练阶段，通过高置信度序列样本捕捉场景共享的犯罪意图。在后期阶段，通过增加低置信度序列的贡献来逐步学习场景特定的意图。同时，预测网络之间相互学习输出概率分布，以建模未观测到的犯罪意图。大量实验表明，CrimeAlarm 在 NDCG@5 方面优于 SOTA 方法，在准确性指标上，NYC16 提升了 4.51%，CHI18 提升了 7.73%。
引用
@article{arxiv.2404.06756,
title = {CrimeAlarm: Towards Intensive Intent Dynamics in Fine-grained Crime Prediction},
author = {Kaixi Hu and Lin Li and Qing Xie and Xiaohui Tao and Guandong Xu},
journal= {arXiv preprint arXiv:2404.06756},
year = {2024}
}
备注
Accepted by DASFAA 2024