用于增强二进制编码犯罪关联分析的双胞胚网络

有效的犯罪关联分析对于识别串案犯罪者和提升公共安全至关重要。为解决传统犯罪关联方法在处理高维稀疏且异构数据方面的局限性，我们提出了一种双胞胚自编码器框架，通过学习有意义的潜在表示来揭示复杂犯罪数据中的相关性。我们使用由英国国家犯罪局严重犯罪分析局维护的 Violent Crime Linkage Analysis System (ViCLAS) 中的数据，该框架通过在解码器阶段集成地理-时间特征，来缓解稀疏特征空间中的信号稀释。这种设计放大了行为表示，而不是在输入层被掩盖，从而在多个评估指标上实现一致的改进。我们进一步分析了不同的领域感知数据降制策略对模型性能的影响，为犯罪关联背景下的预处理提供了实用指导。我们的结果表明，先进的机器学习方法可以显著提升关联精度，使 AUC 在传统方法上提升最高可达 9%，并提供可解释的洞见以支持调查决策。