通过探索性数据分析和可解释机器学习探寻男性家庭暴力

Mar, 2024

通过探索性数据分析和可解释机器学习探寻男性家庭暴力

Analyzing Male Domestic Violence through Exploratory Data Analysis and Explainable Machine Learning Insights

Md Abrar Jahin, Saleh Akram Naife, Fatema Tuj Johora Lima, M. F. Mridha, Jungpil Shin

TL;DR对孟加拉国男性家庭暴力（MDV）进行了首次探索，揭示了其普遍性、模式和潜在因素，研究结果挑战了家庭暴力主要影响女性的普遍观念，强调了为男性受害者提供量身定制的干预和支持体系的必要性。机器学习技术在数据分析和理解方面起到了积极的作用。

Abstract

domestic violence, which is often perceived as a gendered issue among female victims, has gained increasing attention in recent years. Despite this focus, male victims of domestic abuse remain primarily overlooke

domestic violence male victims bangladesh prevalence ml techniques

发现论文，激发创造

基于可解释人工智能的监督式机器学习方法的预测模型用于孟加拉患者的乳腺癌分类

乳腺癌是近年来患病率迅速增加的一种导致全球死亡率居高不下的常见疾病，本研究通过使用机器学习方法，特别是 XGBoost 算法，对乳腺癌进行预测和分类，发现 XGBoost 算法在 500 名患者的数据集上取得了 97% 的精确率。

Apr, 2024

利用新型犯罪数据和机器学习进行犯罪预测

本研究介绍了一种新的犯罪数据集，该数据集包含有关孟加拉国 6574 起犯罪事件的时间、地理、天气和人口统计数据，使用五种监督学习分类算法对这个数据集进行评估，并获得了令人满意的结果。此外，对数据集的各方面进行了探索性分析，并预计该数据集将为孟加拉国等国家的犯罪事故预测系统提供基础。

Nov, 2022

一种决策树方法预测家庭暴力再犯

本文旨在设计和评价不同的方法，以便能够处理类别不平衡以及特征选择，并通过决策树算法寻找到可解释且高准确性的结果，相比之前使用逻辑回归算法的研究，我们的方法只使用了 3 个特征且生成的决策树仅包含 4 个叶子节点。

Mar, 2018

美国谋杀案清案率预测的可解释机器学习

本文探讨了可解释机器学习在美国国家和州层面上的被害人身份预测和罪犯抓捕中的应用，并使用了 XGBoost 和 SHAP 方法进行建模和解释特征，结果显示应用可解释机器学习算法有助于提高犯罪抓捕率和警察表现。

Mar, 2022

机器学习预测离婚：洞察与 LIME 可解释性

通过评估名为 “离婚预测数据集” 的数据集，使用六种不同的机器学习算法（Logistic Regression，Linear Discriminant Analysis，K-Nearest Neighbors，Classification and Regression Trees，Gaussian Naive Bayes 和 Support Vector Machines），进行离婚预测，并使用 LIME（Local Interpretable Model-Agnostic Explanations）对预测概率进行详细解释，最终开发了一款离婚预测应用程序，用于帮助人们判断他们的关系状况。

Oct, 2023

Mavericks 在 BLP-2023 任务 1 中：使用语言模型的基于合集的方法进行暴力煽动文本检测

本文介绍了我们在第一届孟加拉语语言处理研讨会的暴力煽动文本检测共享任务中的工作。针对社交媒体上的仇恨和暴力煽动性言论的传播加速，开发高效的机制来检测和遏制此类文本的传播至关重要。在资源匮乏的环境中，检测暴力煽动文本的问题更加严重，因为研究稀少且数据较少。共享任务提供的数据是孟加拉语文本，每个示例根据暴力煽动文本的类型被分类为三个类别之一。我们尝试评估了几个基于 BERT 的模型，然后使用模型集成作为我们的最终提交。我们的提交在最终排行榜上排名第 10，宏观 F1 得分为 0.737。

Nov, 2023

暴力检测技术概述：当前挑战和未来方向

本篇研究概述了深度序列学习方法及其用于暴力检测的本土化策略，对初始图像处理和基于机器学习的暴力检测进行了分析，详细描述了现有模型的优缺点并提出未来方向。

Sep, 2022

BanglaNLP 在 BLP-2023 任务 1 中：对孟加拉语中激发暴力的文本检测进行不同的 Transformer 模型评估

本研究通过开发系统解决孟加拉暴力煽动文本检测的共享任务，探讨了我们所采用的传统和最新方法，该系统有助于分类给定文本是否包含威胁。实验研究了在有限数据集情况下数据增强的影响，定量结果表明，与其他基于变压器结构的模型相比，微调多语言 - e5 基础模型在任务中表现最佳。在测试集中，宏 F1 得分达到了 68.11％，并且在该共享任务的排行榜中排名第 23 位。

Oct, 2023

机器学习逃避攻击的解释引导诊断

本文介绍了一个新的框架，利用可解释的机器学习方法来指导高保真度评估机器学习逃避攻击，使用恶意软件和图像分类器进行综合评估，揭示了对抗样本与其上的对应扰动之间的关联差距，并展示了该方法对于评估机器学习模型鲁棒性的广泛使用。

Jun, 2021

辨别和检验成人数据集上的机器学习偏差

通过集成学习减少机器学习模型的偏见，研究提供了包括性别属性偏见和工资预测差异在内的实证证据，并呼吁采用混合模型以实现公平和包容的数据驱动社会。

Oct, 2023