Enhancing Binary Encoded Crime Linkage Analysis Using Siamese Network
Yicheng Zhan, Fahim Ahmed, Amy Burrell, Matthew J. Tonkin, Sarah Galambos, Jessica Woodhams, Dalal Alrajeh
有效的犯罪联系分析对于识别连环罪犯和加强公共安全至关重要。 为了解决传统犯罪联动方法在处理高维、稀疏和异构数据方面的局限性,我们提出了一个暹罗自动编码器框架,该框架可以学习有意义的潜在表示,并揭示复杂犯罪数据中的相关性。 利用英国国家犯罪局严重犯罪分析科维护的暴力犯罪联系分析系统(ViCLAS)的数据,我们的方法通过在解码器阶段集成地理时间特征来减轻稀疏特征空间的信号稀释。 这种设计放大了行为表示,而不是让它们在输入级别上黯然失色,从而在多个评估指标上产生一致的改进。 我们进一步分析不同的领域信息数据减少策略如何影响模型性能,为犯罪联系环境中的预处理提供实用指导。 我们的结果表明,先进的机器学习方法可以大大提高链接的准确性,比传统方法提高高达9%的AUC,同时提供可解释的见解以支持调查决策。
Effective crime linkage analysis is crucial for identifying serial offenders and enhancing public safety. To address limitations of traditional crime linkage methods in handling high-dimensional, sparse, and heterogeneous data, we propose a Siamese Autoencoder framework that learns meaningful latent representations and uncovers correlations in complex crime data. Using data from the Violent Crime Linkage Analysis System (ViCLAS), maintained by the Serious Crime Analysis Section of the UK's Natio...