[논문 리뷰] Spatial-Temporal-Textual Point Processes with Applications in Crime Linkage Detection

Shixiang Zhu, Yao Xie|arXiv (Cornell University)|2019. 02. 01.

Point processes and geometric inequalities참고 문헌 41인용 수 9

한 줄 요약

이 논문은 경찰 보고서에서 학습한 정규화된 제한된 볼츠만 기계(RBM)를 통해 얻은 텍스트 임베딩을 마크로 통합하는 다변량 표시된 시공간 허크스 과정을 제안한다. 이는 희소한 실세계 범죄 데이터에서 미세한 시간적, 공간적, 텍스트 패턴을 효과적으로 포착하여, 제한된 레이블 예제가 있는 상황에서도 경쟁력 있는 성능과 해석 가능성으로 범죄 연계성을 탐지한다.

ABSTRACT

Crimes emerge out of complex interactions of human behaviors and situations. Linkages between crime events are highly complex. Detecting crime linkage given a set of events is a highly challenging task since we only have limited information, including text descriptions, event times, and locations; moreover, the link among incidents is subtle. In practice, there are very few labeled data about related cases. We present a statistical modeling framework for police reports based on multivariate marked spatio-temporal Hawkes processes. Inspired by the notion of modus operandi (M.O.) in crime analysis, we perform text embedding for police reports and treat embedding vectors as marks of the Hawkes process. The embedding is performed by regularized Restricted Boltzmann Machine (RBM) to promote the probabilistic sparsity of selected keywords. Numerical results using real data demonstrate the competitive performance and interpretability of our method. The proposed method can be used in other similar data in social networks, electronic health records.

연구 동기 및 목표

• 레이블이 부족하고 증거가 시간, 위치, 텍스트 기술에 국한된 상황에서 범죄 연계성을 탐지하는 문제를 해결하기 위해.
• 공간적, 시간적, 텍스트적 차원을 통합한 통합 통계적 프레임워크 내에서 범죄 사건 간의 복잡하고 미묘한 연쇄 관계를 모델링하기 위해.
• 학습된 텍스트 임베딩을 허크스 과정의 마크로 취급하여 모드 오브라우트(모드 오브라우트, M.O.) 패턴을 반영함으로써 모델의 해석 가능성을 향상시키기 위해.
• 제한된 볼츠만 기계(RBM)에서의 정규화된 학습을 통해 텍스트 특징의 희소성과 관련성을 증진시키기 위해.
• 사회 네트워크 및 전자 건강 기록과 같은 다른 분야에 적용 가능한 확장 가능하고 일반화된 방법을 개발하기 위해.

제안 방법

• 각 사건이 위치, 시간, 텍스트 기술로 특징지어지는 다변량 표시된 점과정으로 범죄 사건을 모델링한다.
• 경찰 보고서 기술에서 압축적이고 확률적 희소성 있는 텍스트 임베딩을 학습하기 위해 정규화된 제한된 볼츠만 기계(RBM)를 적용한다.
• 학습된 임베딩 벡터를 허크스 과정의 마크로 간주하여 서로 다른 범죄 유형 간의 자기자극성과 상호자극성을 포착한다.
• 허크스 과정의 강도 함수를 시공간 거리와 임베딩된 텍스트 특징의 유사성에 의존하도록 구성한다.
• 과거 사건이 향후 사건의 발생률에 미치는 영향을 공간적·텍스트적으로 모델링하기 위해 표시된 허크스 과정을 사용한다.
• 기울기 기반 방법을 사용하여 모델 하에서 관측된 사건의 우도를 최적화하며, 특징의 희소성과 해석 가능성을 보장하기 위해 정규화를 적용한다.

실험 결과

연구 질문

• RQ1 최소한의 레이블 데이터로도 공간적, 시간적, 텍스트적 특징을 통합하는 통합 통계 모델이 범죄 연계성을 효과적으로 탐지할 수 있는가?
• RQ2 경찰 보고서에서 유도된 텍스트 임베딩이 모드 오브라우트(M.O.) 패턴을 얼마나 잘 표현하고 연계성 탐지 성능을 향상시키는가?
• RQ3 학습된 텍스트 특징에 확률적 희소성을 통합할 경우 모델의 해석 가능성과 성능이 얼마나 향상되는가?
• RQ4 실세계 범죄 데이터에서 제안된 방법이 기준 모델에 비해 진짜 범죄 연계성을 얼마나 잘 탐지하는가?
• RQ5 이 프레임워크는 시공간 사건 시퀀스와 텍스트 기술이 포함된 다른 분야로 일반화될 수 있는가?

주요 결과

• 제안된 방법은 실세계 데이터에서 기존의 텍스트 특징을 통합하지 않는 기준 모델에 비해 범죄 연계성 탐지에서 경쟁력 있는 성능을 달성한다.
• 정규화된 RBM 기반의 텍스트 임베딩을 사용함으로써 모드 오브라우트 패턴과 관련성이 높은 핵심 키워드를 식별할 수 있다.
• 공통된 텍스트 특징(예: 무기 종류 또는 범죄 수법)과 연결된 탐지된 연쇄성을 통해 모델이 해석 가능성을 보여준다.
• 허크스 과정에 텍스트 임베딩을 마크로 통합함으로써 미묘하고 명백하지 않은 범죄 연쇄성을 크게 향상시킨다.
• 이 프레임워크는 범죄 분석을 넘어서 사회적 미디어 모니터링 및 전자 건강 기록 분석 등 다양한 분야에 응용 가능성을 보여준다.
• 희소 데이터를 효과적으로 처리하여, 연계된 사례의 레이블 예제가 제한된 상황에서도 강력한 성능을 유지한다.