面向跨城市犯罪预测的知识引导超网络学习
机器学习
2025-11-05 v1
摘要
预测城市环境中的犯罪对于公共安全至关重要，但现有方法常常难以在数据 availability 差异大的不同城市之间对齐知识。我们提出 HYpernetwork-enhanced Spatial Temporal Learning (HYSTL)，一个框架可有效训练统一且更强大的犯罪预测器，而无需假设不同城市记录中的犯罪类型相同。在 HYSTL 中，与其为每种犯罪类型参数化专用预测器，不会设计超网络以条件化于感兴趣的犯罪类型动态生成预测函数的参数。为弥合不同犯罪类型之间的语义鸿沟，构建了结构化犯罪知识图谱，其中学习到的犯罪表示用作超网络的输入，以促进参数生成。因此，在对每种犯罪类型进行预测时，预测器还受其与其他相关犯罪类型的复杂关联的指导。对两个犯罪类型不重叠的城市进行大量实验，结果表明 HYSTL 在超越最先进基线方法的方面表现优异。
引用
@article{arxiv.2511.02336,
title = {Learning A Universal Crime Predictor with Knowledge-guided Hypernetworks},
author = {Fidan Karimova and Tong Chen and Yu Yang and Shazia Sadiq},
journal= {arXiv preprint arXiv:2511.02336},
year = {2025}
}
备注
Accepted by ECAI 2025