[논문 리뷰] Two-stage approach for the inference of the source of high-dimension and complex chemical data in forensic science

Madeline Ausdemore, Cédric Neumann외 3명|arXiv (Cornell University)|2018. 04. 03.

Forensic and Genetic Research참고 문헌 20인용 수 3

한 줄 요약

이 논문은 고차원 화학 데이터, 예를 들어 페인트의 FTIR 스펙트럼과 같은 고차원 화학 데이터에 대한 법의학적 원천 추론을 위한 이단계 커널 기반 방법을 제안한다. 이 방법은 복잡한 확률 모델이 필요 없이 통계적으로 엄밀한, 가능도 기반의 베이지안 유사 추론을 가능하게 하며, 특히 원천 특성이 희귀한 경우에 강력한 증거적 가치를 지닌다. 이 접근법은 복잡한 고차원 데이터를 다룰 수 있도록 커널 함수를 활용하며, 페인트 증거가 상당한 증거적 가치를 지닌다는 것을 입증한다.

ABSTRACT

Forensic scientists are often criticised for the lack of quantitative support for the conclusions of their examinations. While scholars advocate for the use of a Bayes factor to quantify the weight of forensic evidence, it is often impossible to assign the necessary probability measures to perform likelihood-based inference for high-dimensional and complex data. To address this issue, we revisit a two-stage inference framework and leverage the properties of kernel functions to offer a method that allows for statistically supporting the inference of the identity of source of sets of trace and control objects by way of a single test. Our method is generic in that it can be easily tailored to any type of data encountered in forensic science or pattern recognition, and our method does not depend on the dimension or the type of the considered data. The application of our method to paint evidence shows that this type of evidence carries substantial probative value. Finally, our approach can easily be extended to other evidence types such as glass, fibres and dust.

연구 동기 및 목표

• 페인트, 유리, 섬유 스펙트럼과 같은 고차원 복잡 화학 데이터에 대한 법의학적 원천 기여도에 대한 정량적 지원 부족 문제를 해결하기 위해.
• 복잡한 데이터에 대한 명시적 확률 모델이 필요 없이 통계적으로 엄밀하고 가능도 기반 없는 추론 프레임워크를 개발하여 베이지안 추론를 지원하기 위해.
• 일반적으로 사례 처리에서 흔한 작은 표본 크기(예: 3–10개 관측치)를 사용하여 실용적인 법의학적 추론을 가능하게 하며, 광범위한 훈련 데이터가 필요로 하지 않도록 하기 위해.
• 실제 FTIR 데이터를 활용하여 페인트 증거의 적용 가능성과 증거적 가치를 입증하기 위해.
• 페인트를 초과하여 다양한 법의학적 증거 유형에 적용 가능한 일반적이고 확장 가능한 프레임워크를 제공하기 위해.

제안 방법

• 이 방법은 페인트와 같은 고차원 비균일 데이터에 대한 통계적 추론을 가능하게 하기 위해 커널 함수를 재해석한, 퍼커슨(1966)이 처음 제안한 이단계 추론 프레임워크를 활용한다.
• 커널 함수를 사용하여 흔적물과 대조물 간의 유사도를 계산하고, 이는 데이터 유형과 차원에 관계없이 불변인 검정 통계량의 기초가 된다.
• 데이터 차원이 증가함에 따라 만족되는 단일 핵심 가정에 기반하며, 이는 커널 설계를 통해 확보된다.
• 모델 매개변수의 사후 분포는 매개변수 불확실성을 다룰 수 있는 알고리즘을 사용하여 효율적으로 샘플링하여 강력한 추론을 가능하게 한다.
• 伝통적인 가능도 기반 추론을 커널 기반 검정 통계량으로 대체함으로써, 확률 측도를 할당하기 어려운 경우에도 추론이 가능하게 한다.
• 커널 함수를 수정하기만 하면 구성형, 연속형, 이산형 데이터를 포함한 모든 데이터 유형에 적용 가능한 일반적 방법이다.

실험 결과

연구 질문

• RQ1 고차원 법의학 화학 데이터에 대해 이단계 추론 프레임워크를 통계적으로 엄밀하고 가능도 기반 없는 추론에 적응시킬 수 있는가?
• RQ2 기존의 가능도 기반 추론이 데이터 복잡성으로 인해 불가능한 경우, 제안된 커널 기반 방법이 신뢰할 수 있는 원천 기여도 추론을 가능하게 하는가?
• RQ3 FTIR 스펙트럼으로 특징화된 페인트 증거의 증거적 가치는 무엇이며, 원천의 희귀성에 따라 어떻게 변화하는가?
• RQ4 이 방법은 유리, 섬유, 먼지와 같은 다른 법의학 증거 유형으로 확장 가능한가?
• RQ5 작은 표본 크기와 배경 데이터 제한과 같은 일반적인 사례 처리 제약 조건 하에서 이 방법의 성능은 어떠한가?

주요 결과

• 제안된 방법은 기존 가능도 기반 추론이 불가능한 고차원 화학 데이터, 예를 들어 페인트의 FTIR 스펙트럼에 대해 통계적으로 엄밀한 추론을 성공적으로 가능하게 한다.
• 페인트의 FTIR 스펙트럼은 서로 다른 원천에서 온 샘플을 효과적으로 구별할 수 있는 매우 특이한 정보를 포함한다.
• 원천 특성이 희귀할수록 페인트 증거의 증거적 가치가 크게 증가하며, 이는 희귀한 특징이 법의학적 분별력을 향상시킨다는 것을 시사한다.
• 법의학 사례 처리에서 일반적인 작은 표본 크기에서도 이 방법이 잘 작동하여 실제 사례 적용에 유용함을 입증한다.
• 이중 단계 커널 기반 프레임워크는 페인트, 유리, 섬유, 먼지 등 다양한 법의학 증거 유형에 적용 가능한 강력하고 일반적인 솔루션을 제공한다.
• 이 방법은 오랫동안 법의학 과학이 통계적 지원 부족 문제로 비판받아 온 문제를 해결하며 정량적이고 증거 기반의 원천 기여도 추론으로의 전환을 지원한다.