FASE：予測型パトロール向けの、公平性を考慮した時空間イベントグラフ・フレームワーク

要旨: 予測犯罪リスクのみに基づいて巡回リソースを配分する予測型ポリシング・システムは、フィードバックに駆動されたデータのバイアスによって、意図せず人種間の格差を増幅させる可能性があります。私たちは、時空間の犯罪予測と、公平性に制約を設けた巡回配分、さらにクローズドループのデプロイメント・フィードバック・シミュレータを統合する、公平性認識時空間イベントグラフの枠組み FASE を提案します。
私たちはボルチモアを 25 の ZIP コード集計地域（ZCTA）のグラフとしてモデル化し、2017 年から 2019 年までの 139,982 件のパート1犯罪インシデントを 1 時間解像度で用いることで、疎な特徴テンソルを生成します。予測モジュールは、空間依存と自己を励起する時間的ダイナミクスを捉えるため、時空間グラフニューラルネットワークと多変量ホークス過程を組み合わせます。出力は、過分散でゼロが多い犯罪件数に適したゼロ膨張負の二項分布としてモデル化されます。このモデルは、検証損失 0.4800、テスト損失 0.4857 を達成しています。
巡回配分は、リスクに重み付けされたカバレッジを最大化しつつ、0.05 で偏差が境界づけられた人口学的影響比（Demographic Impact Ratio）制約を課す、公平性に制約を設けた線形最適化問題として定式化します。6 回のシミュレートされたデプロイメント・サイクルにわたって、公平性は 0.9928 から 1.0262 の範囲に収まり、カバレッジは 0.876 から 0.936 の間にあります。しかし、少数派地域と非少数派地域の間には、約 3.5 パーセンテージポイントの検出率ギャップが継続して残ります。この結果は、配分レベルの公平性制約だけでは、再学習データに生じるフィードバック由来のバイアスを解消できないことを示しており、全パイプラインにわたる公平性介入の必要性を強調しています。