Siamese Autoencoder verbessert Verknüpfung von Kriminaldaten um bis zu 9 %

Ein neues Forschungsprojekt aus dem Vereinigten Königreich zeigt, wie moderne Deep‑Learning‑Techniken die Analyse von Kriminalitätsdaten revolutionieren können. Durch den Einsatz eines Siamese Autoencoders – einer speziellen neuronalen Netzwerkarchitektur – werden komplexe, hochdimensionale und spärliche Daten in aussagekräftige latente Repräsentationen überführt.

Der Ansatz nutzt das Violent Crime Linkage Analysis System (ViCLAS) der National Crime Agency, um die Verknüpfung von Tatvorfällen zu verbessern. Ein entscheidender Vorteil liegt darin, dass geographische und zeitliche Informationen erst im Decoder‑Schritt integriert werden. Dadurch wird die Signal‑Dilution, die bei herkömmlichen Methoden häufig auftritt, reduziert und die Verhaltensmuster der Täter stärker betont.

Die Forscher haben zudem verschiedene domänenbasierte Datenreduktionstechniken untersucht und praktische Empfehlungen für die Vorverarbeitung von Kriminaldaten bereitgestellt. Die Ergebnisse sind beeindruckend: Die Genauigkeit der Verknüpfung steigt im Vergleich zu traditionellen Verfahren um bis zu 9 % – gemessen am AUC‑Wert. Gleichzeitig liefert das Modell interpretierbare Einblicke, die Ermittlern bei der Entscheidungsfindung helfen.

Diese Studie unterstreicht, dass fortschrittliche Machine‑Learning‑Methoden nicht nur die Effizienz der Kriminalitätsanalyse steigern, sondern auch die Sicherheit der Öffentlichkeit durch schnellere Identifikation von Serienverbrechern erhöhen können.