生成式AI对抗偷猎：用于野生动物保护的潜在复合流匹配

偷猎对野生动物和生物多样性构成重大威胁。减少偷猎的一个关键步骤是预测偷猎者行为，这可以为巡逻规划和其他保护干预措施提供信息。现有的基于线性模型或决策树的偷猎预测方法缺乏捕捉复杂、非线性时空模式的表达能力。生成建模的最新进展，特别是流匹配，提供了一种更灵活的替代方案。然而，在真实世界的偷猎数据上训练此类模型面临两个核心障碍：偷猎事件的不完美检测和有限的数据。为了解决不完美检测问题，我们将流匹配与基于占有率的检测模型相结合，并在潜在空间中训练流以推断潜在的占有率状态。为了缓解数据稀缺性，我们采用了一种从线性模型预测初始化的复合流，而不是扩散模型中标准的随机噪声，从而注入先验知识并提高泛化能力。对乌干达两个国家公园数据集的评估显示，预测准确率持续提升。