文献

J-GLOBAL ID：201702262898598510   整理番号：17A1646870

データ明らかに基づくテロリスト事象予測【Powered by NICT】

Terrorist event prediction based on revealing data

著者 (4件)： Mo Haowen (School of Software Engineering, Beijing University of Technology, Beijing China) ,  Meng Xi (Department of Counter Terrorism, People’s Public Security University of China Beijing China) ,  Li Jianqiang (School of Software Engineering, Beijing University of Technology, Beijing China) ,  Zhao Shenhe (School of Software Engineering, Beijing University of Technology, Beijing China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICBDA  ページ： 239-244  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 「9.11」テロリスト攻撃後,より高度な情報技術は早期警報システムの性能を高めるためのテロリズムドメインに対抗するために開発されてきた。データマイニング機械学習に基づくテロリスト攻撃事象に隠されたテロリスト事象と専門家は,これらの組織化された行為に対する防御をステップアップするためにのテロリストは約考えている明確な像を得るために期待を予測するために適用することができた。本論文では,データマイニング技術を用いたグローバルテロリズムデータベース(GTD)からテロリスト事象の予測に焦点を当てた。サポートベクトルマシン(SVM),Naive Bayes(NB)とロジスティック回帰(LR)を採用した。最小冗長性最大関連性(mRMR)および最大関連性(最大関連)を含む二種の特徴選択法は,分類精度をさらに改善するために使用した。最後に,分類性能の詳細な比較を提示し,七最適特徴部分集合を用いた分類器LRは78.41%の分類精度,テロリズム分野への機械学習の適用の実現可能性を検証しに達した。分類法は,高い精度と高速とテロリズムに内在する異なるタイプを地図化するのに,使用できることを強調している。さらに,適切な特徴選択は,分類誤差の減少に導く可能性がある。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *予測 ,  情報技術 ,  冗長性 ,  サポートベクトルマシン ,  部分集合 ,  高速度 ,  警報システム ,  データマイニング ,  機械学習 ,  特徴選択
準シソーラス用語： 分類法 ,  分類精度 ,  ロジスティック回帰分析 ,  データマイニング技術 ,  *テロリスト , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： テロリスト ,  事象 ,  予測