[論文レビュー] Terrorism Event Classification Using Fuzzy Inference Systems

Uraiwan Inyaem, Choochart Haruechaiyasak+2 more|arXiv (Cornell University)|Apr 11, 2010

Network Security and Intrusion Detection参考文献 16被引用数 9

ひとこと要約

本稿では、タイの南部地方における予測精度の向上を目的として、ファジィ推論システム（FIS）および適応神経ファジィ推論システム（ANFIS）を用いたテロイベント分類フレームワークを提案する。構造化されたデータを活用することで、ANFISはニューラルネットワークの適応によって自動的にルールと所属関数を学習するため、標準FISよりも高い分類精度を達成する。

ABSTRACT

Terrorism has led to many problems in Thai societies, not only property damage but also civilian casualties. Predicting terrorism activities in advance can help prepare and manage risk from sabotage by these activities. This paper proposes a framework focusing on event classification in terrorism domain using fuzzy inference systems (FISs). Each FIS is a decision-making model combining fuzzy logic and approximate reasoning. It is generated in five main parts: the input interface, the fuzzification interface, knowledge base unit, decision making unit and output defuzzification interface. Adaptive neuro-fuzzy inference system (ANFIS) is a FIS model adapted by combining the fuzzy logic and neural network. The ANFIS utilizes automatic identification of fuzzy logic rules and adjustment of membership function (MF). Moreover, neural network can directly learn from data set to construct fuzzy logic rules and MF implemented in various applications. FIS settings are evaluated based on two comparisons. The first evaluation is the comparison between unstructured and structured events using the same FIS setting. The second comparison is the model settings between FIS and ANFIS for classifying structured events. The data set consists of news articles related to terrorism events in three southern provinces of Thailand. The experimental results show that the classification performance of the FIS resulting from structured events achieves satisfactory accuracy and is better than the unstructured events. In addition, the classification of structured events using ANFIS gives higher performance than the events using only FIS in the prediction of terrorism events.

研究の動機と目的

• タイの紛争影響地域におけるテロイベント分類の課題に対処すること。
• 正確なテロイベント分類のためのファジィ論理を用いた意思決定フレームワークの開発すること。
• 構造化済みデータと非構造化データの両方におけるFISおよびANFISの性能を評価すること。
• データ駆動型のファジィルールおよび所属関数最適化を活用してリスク予測を向上させること。

提案手法

• フレームワークは、入力インターフェース、ファジフィケーションインターフェース、知識ベース、意思決定ユニット、出力デファジフィケーションの5段階構造を持つFISアーキテクチャを採用する。
• ファジィ推論システムは、ファジィ論理と近似的推論を用いて、入力イベントを分類結果にマッピングする。
• ANFISはニューラルネットワークとファジィ論理を統合し、訓練データからファジィルールを自動的に特定し、所属関数をチューニングする。
• 本システムは、タイの南部3州のテロ関連ニュース記事から構成されるデータセットを用いて訓練および評価される。
• 分類精度を比較することで、FISおよびANFISの性能を、構造化済みおよび非構造化イベントデータ上で評価する。
• ANFISでは、バックプロパゲーションおよびハイブリッド学習を用いて知識ベースを動的に調整し、分類性能を最適化する。

実験結果

リサーチクエスチョン

• RQ1 FISの分類精度は、構造化済みテロイベントと非構造化テロイベントの間でどのように異なるか？
• RQ2 ANFISは、標準FISに比べてテロイベント予測の分類性能を向上させることができるか？
• RQ3 データ構造は、テロ分類におけるファジィ推論モデルの有効性にどの程度影響を与えるか？
• RQ4 ANFISは、実世界のテロイベントデータからファジィルールおよび所属関数をどれほど効果的に学習・適応できるか？

主な発見

• FISモデルは、非構造化イベントよりも構造化イベントでより高い分類精度を達成した。
• ANFISは、構造化されたテロイベントの分類において、標準FISを上回り、より優れた予測能力を示した。
• 構造化データの使用は、FISおよびANFIS両モデルの性能を顕著に向上させた。
• ANFISは、データ駆動型のトレーニングにより、ファジィルールを効果的に学習し、所属関数を最適化し、より良い一般化を達成した。
• 本フレームワークは、紛争地域におけるリアルタイムのテロリスク評価において実用的な潜在能力を示した。
• 本研究は、FIS-NNハイブリッドモデル（ANFISなど）が、テロイベント分類のような複雑で不確実性の高い分野において有効であることを確認した。