arXiv cs.CY· Jorge Valverde-Rebaza, Carlos Paez De La Cruz, Pedro P\'erez-Collado, Daniel S\'anchez-Cata\~no, Eashley Mart\'inez-Vergara·· 9 小时前AI 评分29
城市表征学习识别犯罪报案中的潜在差异
Urban Representation Learning for Identifying Potential Disparities in Crime Reporting
AI 导读
研究提出一种自监督城市表征学习框架,仅用地理标注的犯罪记录构建小时、周、静态三类报案画像,并通过 Neighbor Profile Divergence(NPD)量化各区域与其相似邻居的报案差异。
正文 · AI 翻译
摘要:开放犯罪数据支持城市安全分析,但反映的是已报告的事件,而非犯罪活动的完整分布,可能在下游分析中引入空间失真。我们提出一种自监督城市表示学习框架,仅使用地理参考犯罪记录,识别相对于表示相似同侪的异常报告模式。该方法构建互补的每小时、每周和静态报告画像,在地理自监督下学习尺度特定表示,并将其整合到统一潜在空间。然后使用邻域画像差异(NPD)量化每个区域的报告画像与其检索到的同侪之间的不一致程度。在来自墨西哥城的超过 180 万条犯罪记录(聚合为 1,058 个 H3 区域)上的实验表明,所提出表示的平均轮廓系数为 0.4052,而 Hex2Vec 为 0.2863。NPD 排名在不同邻域规模下保持高度稳定,Spearman 相关系数为 0.9720 至 0.9951,而大多数高差异候选在不同配置下持续存在。检索到的同侪也显著超出紧邻地理邻域,表明学习到的表示捕捉了局部空间邻近之外的结构。高差异区域表现出空间组织模式,并且在若干情况下,事件数量相对于同侪预期存在差异。这些结果支持将 NPD 作为内部审计和优先级排序机制,用于识别需要进一步调查的区域,而非作为漏报的直接证据。
| 评论: | 已被 International Conference on Artificial Intelligence, Computer, Data Sciences, and Applications (ACDSA 2027) 接收发表 |
| 主题: | 机器学习(cs.LG);计算机与社会(cs.CY);信息检索(cs.IR) |
| ACM 分类: | I.2.6;I.5.3 |
| 引用为: | arXiv:2611.21825 [cs.LG] |
| (或 arXiv:2611.21825v1 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.21825 arXiv 颁发的 DOI 通过 DataCite(待注册) |
提交历史
来自:Jorge Valverde-Rebaza Dr. [查看电子邮件]
[v1]
2026年11月16日星期一 19:42:14 UTC(5,340 KB)
来源:arXiv cs.CY · arxiv.org