CrimeAlarm: Towards Intensive Intent Dynamics in Fine-grained Crime Prediction

📄 arXiv: 2404.06756v1 📥 PDF

作者: Kaixi Hu, Lin Li, Qing Xie, Xiaohui Tao, Guandong Xu

分类: cs.LG, cs.AI

发布日期: 2024-04-10

备注: Accepted by DASFAA 2024

💡 一句话要点

提出CrimeAlarm框架以解决细粒度犯罪预测中的意图动态问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 细粒度犯罪预测 意图动态 互蒸馏 课程学习 深度学习

📋 核心要点

  1. 现有犯罪预测方法难以捕捉复杂的意图动态，导致泛化性能不足。
  2. 本文提出CrimeAlarm框架，通过互蒸馏策略逐步学习共享和特定的犯罪意图。
  3. 实验结果显示，CrimeAlarm在多个数据集上均显著提升了预测准确性。

📝 摘要（中文）

犯罪事件预测的粒度和准确性是两个关键因素。在细粒度事件分类中，多个犯罪意图可能在前序事件中交替出现，并在后续事件中以不同方式发展。这种密集的意图动态使得模型训练难以捕捉未观察到的意图，从而导致次优的泛化性能。为此，本文提出了一种细粒度序列犯罪预测框架CrimeAlarm，采用了一种受课程学习启发的新型互蒸馏策略。在早期训练阶段，通过高置信度序列样本捕捉共享的犯罪意图，而在后期阶段，通过增加低置信度序列的贡献逐步学习特定意图。实验结果表明，CrimeAlarm在NDCG@5指标上超越了现有最先进的方法，NYC16数据集的准确率提升了4.51%，CHI18数据集提升了7.73%。

🔬 方法详解

问题定义：本文旨在解决细粒度犯罪预测中意图动态捕捉的困难。现有方法在处理多种潜在事件交织时，难以有效捕捉未观察到的犯罪意图，导致预测性能下降。

核心思路：CrimeAlarm框架通过互蒸馏策略，分阶段学习犯罪意图。在训练初期，重点关注高置信度样本以捕捉共享意图；在后期，逐步引入低置信度样本以学习特定意图。

技术框架：CrimeAlarm的整体架构分为两个主要阶段：早期阶段通过高置信度序列样本捕捉共享意图，后期阶段通过低置信度序列样本逐步学习特定意图。同时，输出概率分布在预测网络之间进行互相学习，以建模未观察到的意图。

关键创新：最重要的创新在于引入了互蒸馏策略，允许模型在不同训练阶段动态调整对样本的关注度，从而更全面地捕捉犯罪意图。这一方法与传统的静态训练方法有本质区别。

关键设计：在参数设置上，模型通过损失函数平衡高置信度和低置信度样本的贡献。同时，网络结构设计上采用了多层次的预测网络，以增强对复杂意图动态的建模能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，CrimeAlarm在NYC16数据集上相较于最先进的方法提升了4.51%的准确率，在CHI18数据集上提升了7.73%。这些结果表明，CrimeAlarm在细粒度犯罪预测任务中具有显著的性能优势，验证了其有效性和实用性。

🎯 应用场景

CrimeAlarm框架在城市安全、公共安全管理和犯罪预防等领域具有广泛的应用潜力。通过提高犯罪预测的准确性，能够为执法部门提供更有效的决策支持，进而提升社会安全水平。未来，该研究还可能扩展到其他领域，如金融欺诈检测和网络安全等。

📄 摘要（原文）

Granularity and accuracy are two crucial factors for crime event prediction. Within fine-grained event classification, multiple criminal intents may alternately exhibit in preceding sequential events, and progress differently in next. Such intensive intent dynamics makes training models hard to capture unobserved intents, and thus leads to sub-optimal generalization performance, especially in the intertwining of numerous potential events. To capture comprehensive criminal intents, this paper proposes a fine-grained sequential crime prediction framework, CrimeAlarm, that equips with a novel mutual distillation strategy inspired by curriculum learning. During the early training phase, spot-shared criminal intents are captured through high-confidence sequence samples. In the later phase, spot-specific intents are gradually learned by increasing the contribution of low-confidence sequences. Meanwhile, the output probability distributions are reciprocally learned between prediction networks to model unobserved criminal intents. Extensive experiments show that CrimeAlarm outperforms state-of-the-art methods in terms of NDCG@5, with improvements of 4.51% for the NYC16 and 7.73% for the CHI18 in accuracy measures.