法医学的履物解析のためのスケーラブルな spatial point process models

arXiv:2602.07006v1 発表タイプ: new 要旨: 犯罪現場から回収された靴跡証拠は、法科学捜査において重要な役割を果たします。靴跡を調べることで、捜査官は被疑者が履いていた靴の詳細を特定できます。しかし、被疑者の靴が現場の跡とメーカーやモデルが一致することを示すだけでは不十分な場合があります。通常、同じサイズ・メーカー・モデルの靴は何千足と生産されており、そのいずれもが跡を残した可能性があります。したがって、捜査官が用いる一般的な手法は、いわゆる“accidentals”（切り傷、擦り傷など、購入後の摩耗で靴底に生じる特徴）を靴跡で調べることです。ある種類の靴では特定のaccidentalsパターンがよく見られる一方、他のパターンは極めて特徴的であり、被疑者の靴を他のすべてから区別できる可能性があります。したがって、パターンの希少性を定量化することは、証拠の強さを正確に測るために不可欠です。 本研究では、この課題に対して階層ベイズモデル（hierarchical Bayesian model）を構築して取り組みます。我々の既存手法に対する改善点は主に二つあります。第一に、アプローチを latent Gaussian model として定式化することで、integrated nested Laplace approximations（INLA）を用いて注釈付き靴跡の大規模コレクションに対する推論を効率的にスケールさせることを可能にしました。第二に、靴のトレッドパターン（tread patterns）とaccidentalの位置との関係をモデル化するために、空間的に変化する係数（spatially varying coefficients）を組み込みました。これらの改良により、held-out data（検証データ）に対する優れた性能を実証し、法医学的靴跡解析における精度と信頼性を向上させることができました。

arXiv:2602.07006v1 Announce Type: new Abstract: Shoe print evidence recovered from crime scenes plays a key role in forensic investigations. By examining shoe prints, investigators can determine details of the footwear worn by suspects. However, establishing that a suspect's shoes match the make and model of a crime scene print may not be sufficient. Typically, thousands of shoes of the same size, make, and model are manufactured, any of which could be responsible for the print. Accordingly, a popular approach used by investigators is to examine the print for signs of ``accidentals,'' i.e., cuts, scrapes, and other features that accumulate on shoe soles after purchase due to wear. While some patterns of accidentals are common on certain types of shoes, others are highly distinctive, potentially distinguishing the suspect's shoe from all others. Quantifying the rarity of a pattern is thus essential to accurately measuring the strength of forensic evidence. In this study, we address this task by developing a hierarchical Bayesian model. Our improvement over existing methods primarily stems from two advancements. First, we frame our approach in terms of a latent Gaussian model, thus enabling inference to be efficiently scaled to large collections of annotated shoe prints via integrated nested Laplace approximations. Second, we incorporate spatially varying coefficients to model the relationship between shoes' tread patterns and accidental locations. We demonstrate these improvements through superior performance on held-out data, which enhances accuracy and reliability in forensic shoe print analysis.