arXiv cs.AI· Pronob Kumar Barman, Pronoy Kumar Barman·· 11 小时前AI 评分31
巴尔的摩与芝加哥模拟巡逻检测的空间差异：一项可复现的生成模型审计
Spatial disparities in simulated patrol detection: a reproducible generative-model audit across Baltimore and Chicago
AI 导读
一项可复现空间模拟审计将 GAN 巡逻分配与概率检测模型结合，基于巴尔的摩 145,178 条（2017-2019）和芝加哥 234,882 条（2022）记录重建地理协变量。
正文 · AI 翻译
摘要：审计预测性警务需要区分记录在案的犯罪事件、模拟的巡逻观察以及地点的 demographic 特征。我们提出了一种可复现的空间模拟审计方法，将用于巡逻分配的生成对抗网络（GAN）与概率检测模型相结合。利用包含 145,178 条巴尔的摩记录（2017-2019 年）和 234,882 条芝加哥记录（2022 年）的冻结档案，我们根据人口普查区边界和美国社区调查数据重建地理协变量。我们在替代观察流下，将 GAN 分配与经验位置采样和均匀区域部署进行比较。每种条件下使用 20 个随机种子，共产生 560 条轨迹，每条轨迹覆盖 2 月至 12 月。在仅检测训练下，黑人占多数的地区与白人占多数的地区之间的平均检测率差异在各城市-年份中为 -2.03 至 0.75 个百分点，而总覆盖率范围为 1.78% 至 7.50%。与完整记录参考轨迹的配对比较评估了以记录事件档案为条件的观察反馈。在一项使用条件表格生成模型进行平衡合成替换的实验中，地理一致性要求在 220 个种子-月份拟合中有 107 个失败，未留下完整的年度合成替换轨迹。模拟差异随观察过程、分配政策、训练预算和随机种子而变化。这些结果支持对建模场景进行可复现的比较，但不估计警察接触中个体的种族差异或未记录犯罪的分布。我们建议在基于比率的公平性指标之外，同时报告绝对检测差异、覆盖率、合成可行性和模拟不确定性。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2603.18987 [cs.AI] |
| （或 arXiv:2603.18987v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.18987 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Pronob Kumar Barman [查看电子邮件]
[v1]
2026 年 3 月 19 日星期四 14:55:32 UTC（179 KB）
[v2]
2026 年 3 月 20 日星期五 14:51:15 UTC（179 KB）
[v3]
2026 年 10 月 23 日星期五 01:43:24 UTC（54 KB）
来源：arXiv cs.AI · arxiv.org