揭露基于生成对抗网络的预测警务系统中的算法偏见：多城市时空分析框架
人工智能
2026-03-23 v2
摘要
基于算法生成犯罪预测指引巡逻资源的预测警务系统已在美国多座城市广泛部署，但其倾向于编码并放大种族差异的量化程度仍鲜为人知。我们构建了一个可复现的仿真框架，将生成对抗网络（GAN）与噪声OR巡逻检测模型耦合，以衡量种族偏见如何在从犯罪发生到警察接触的完整执法管道中传播。利用2017至2019年为期三年的 Baltimore 数据集中14.5万条 Part 1 类犯罪记录，以及2022年为期一年的 Chicago 数据集中23.3万条记录，并辅以美国人口普查ACS人口统计数据，我们计算了跨264个城市年模式观察的四项月度偏见指标：差异影响比（DIR）、人口统计学公平性差距、基尼系数以及综合偏见放大评分。我们的实验揭示了Baltimore检测到的模式在年份上的极端且高度变异的偏见，2019年平均年DIR最高可达15714；在芝加哥中，黑人居民的检测不足导致DIR为0.22，持续的基尼系数在0.43至0.62之间。我们进一步证明，条件性表格GAN（CTGAN）去偏见方法仅能部分重新分配检测率，却无法在缺乏政策干预的情况下消除结构性差异。社会经济回归分析确认，社区种族组成与检测概率之间存在强相关性，针对百分之比白人居民的Pearson相关系数为0.83，针对百分之比黑人居民的相关系数为-0.81。对巡逻半径、警员数量及市民举报概率的敏感性分析揭示，结果对警员部署水平最为敏感。该项目的代码与数据已公开于本存储库。
引用
@article{arxiv.2603.18987,
title = {Unmasking Algorithmic Bias in Predictive Policing: A GAN-Based Simulation Framework with Multi-City Temporal Analysis},
author = {Pronob Kumar Barman and Pronoy Kumar Barman},
journal= {arXiv preprint arXiv:2603.18987},
year = {2026}
}