FASE: 予測型警务における公平性意識を持つ時空間事象グラフフレームワーク

arXiv:2604.18644v2 発表タイプ: 置換 摘要: 予測型警务システムは、犯罪リスクに基づき警邏資源を割り当てることで、フィードバックを駆使したデータバイアスを通じて意図せず人種的差別を拡大させる可能性があります。私たちは、時空間犯罪予測と公平性制約付き警邏割り当て、およびクローズドループ型のデプロイフィードバックシミュレータを統合した、Fairness Aware Spatiotemporal Event Graph (FASE) フレームワークを提唱します。 私たちはバルTIMOREを25のZIPコード統計地域で表し、2017年から2019年にかけての139,982件のPart 1犯罪事件を時速の解像度で扱い、疎な特徴量テンソルを作成しました。予測モジュールは、空間依存性と自己励起的な時間的ダイナミクスを捉えるために、時空間グラフニューラルネットワークと多変量 Hawk's プロセスを組み合わせました。出力は、過分散でゼロに富む犯罪件数に適したゼロ増加ネガティブバイナリ分布でモデル化されました。このモデルは、検証損失 0.4800、テスト損失 0.4857 を達成しました。 警邏割り当ては、デモグラフィックインパクト比制約（偏差を 0.05 に制限）を満たしつつ、リスク加重のカバレッジを最大化する公平性制約付き線形最適化問題として定式化されました。6回の実演サイクルにおいて、公平性は 0.9928 から 1.0262 の範囲に留まりましたが、カバレッジは 0.876 から 0.936 の範囲でした。しかし、マイノリティと非マイノリティ地域間で約 3.5 ポイントの検出率ギャップが持続しています。この結果は、割り当てレベルの公平性制約のみが、リトレーニングデータにおけるフィードバック誘発バイアスを排除しないことを示しており、パイプ全体の公平性介入の必要性を浮き彫りにしています。

arXiv:2604.18644v2 Announce Type: replace Abstract: Predictive policing systems that allocate patrol resources based solely on predicted crime risk can unintentionally amplify racial disparities through feedback driven data bias. We present FASE, a Fairness Aware Spatiotemporal Event Graph framework, which integrates spatiotemporal crime prediction with fairness constrained patrol allocation and a closed loop deployment feedback simulator. We model Baltimore as a graph of 25 ZIP Code Tabulation Areas and use 139,982 Part 1 crime incidents from 2017 to 2019 at hourly resolution, producing a sparse feature tensor. The prediction module combines a spatiotemporal graph neural network with a multivariate Hawkes process to capture spatial dependencies and self exciting temporal dynamics. Outputs are modeled using a Zero Inflated Negative Binomial distribution, suitable for overdispersed and zero heavy crime counts. The model achieves a validation loss of 0.4800 and a test loss of 0.4857. Patrol allocation is formulated as a fairness constrained linear optimization problem that maximizes risk weighted coverage while enforcing a Demographic Impact Ratio constraint with deviation bounded by 0.05. Across six simulated deployment cycles, fairness remains within 0.9928 to 1.0262, and coverage ranges from 0.876 to 0.936. However, a persistent detection rate gap of approximately 3.5 percentage points remains between minority and non minority areas. This result shows that allocation level fairness constraints alone do not eliminate feedback induced bias in retraining data, highlighting the need for fairness interventions across the full pipeline.