通过时序元图学习未来恐怖袭击目标
机器学习
2021-04-22 v1 人工智能
摘要
在过去 20 年中，恐怖主义导致数十万人死亡，并在世界多个地区引发大规模经济、政治和人道主义危机。利用 2001 年至 2018 年阿富汗和伊拉克发生的袭击真实数据，我们提出使用时序元图与深度学习来预测未来的恐怖袭击目标。聚焦于三个事件维度，即所用武器、部署战术与所选目标，元图刻画了时间上相近的袭击之间的关联，捕捉其行动相似性与依赖性。从这些时序元图中，我们导出基于两天的时序序列，用以度量各维度中每个特征随时间的中心性。在恐怖行为者战略行为的背景下界定该问题，这些多元时序序列随后被用于学习哪些目标类型被选中的风险最高。本文做出两项贡献。首先，表明通过时序元图进行特征空间工程比仅依赖特征出现频率的浅层时间序列能产生更丰富的知识。其次，所执行的实验揭示双向 LSTM 网络相较其他算法取得了更优的预测性能，呼吁未来研究旨在充分发掘人工智能应对恐怖暴力的潜力。
引用
@article{arxiv.2104.10398,
title = {Learning future terrorist targets through temporal meta-graphs},
author = {Gian Maria Campedelli and Mihovil Bartulovic and Kathleen M. Carley},
journal= {arXiv preprint arXiv:2104.10398},
year = {2021}
}
备注
19 pages, 18 figures