FASE：公平感知时空事件图框架，为预测性警务注入公平性
预测性警务的公平性难题
预测性警务系统通过算法分析历史犯罪数据，预测未来犯罪风险，从而优化警力部署。然而，这类系统长期面临一个严峻挑战：反馈驱动的数据偏见。当系统仅根据预测的犯罪风险分配巡逻资源时，可能导致对某些社区（尤其是少数族裔社区）的过度监控。这些社区因巡逻增加而记录到更多犯罪事件，进而强化了算法对这些区域“高风险”的偏见，形成恶性循环，无意中加剧了种族不平等。
FASE 框架：从预测到部署的公平性整合
近日，一项名为 FASE（Fairness-Aware Spatiotemporal Event Graph） 的新研究提出了一种综合性解决方案。FASE 并非仅仅改进预测模型，而是构建了一个集成了时空犯罪预测、公平约束的巡逻分配和闭环部署反馈模拟器的完整框架。其核心目标是打破上述偏见循环，在提升警务效率的同时，主动约束系统可能产生的不公平影响。
技术架构解析
FASE 框架主要包含三大模块：
时空犯罪预测模块：研究以美国巴尔的摩市为案例，将其划分为 25 个 ZIP 编码区域并建模为图结构。利用 2017 年至 2019 年每小时分辨率的 139,982 起 Part 1 类犯罪事件数据，构建稀疏特征张量。预测模型结合了时空图神经网络（STGNN） 和多元霍克斯过程，前者捕捉空间依赖关系，后者建模犯罪事件在时间上的“自激励”特性（即一个犯罪事件可能提高短期内邻近区域发生类似事件的概率）。模型的输出采用零膨胀负二项分布进行建模，以更好地处理犯罪数据中常见的过度离散和大量零计数的特点。该模型在验证集和测试集上的损失分别为 0.4800 和 0.4857。
公平约束巡逻分配模块：这是 FASE 的创新关键。它将巡逻分配问题形式化为一个公平约束的线性优化问题。优化目标是在给定警力资源下，最大化“风险加权覆盖率”（即优先覆盖预测高风险区域）。同时，它引入了一个严格的公平性约束——人口影响比（Demographic Impact Ratio）约束，要求对不同人口统计区域（如少数族裔与非少数族裔区域）的巡逻影响比例偏差不超过 0.05。这确保了资源分配不会过度偏向特定群体。
闭环部署反馈模拟器：该模块模拟了预测-部署-数据收集-再训练的完整闭环。研究人员进行了六轮模拟部署周期，以评估系统在长期运行下的表现。
实验结果与深刻启示
模拟结果显示，FASE 在维持公平性和效率方面取得了显著成效：
- 公平性指标始终保持在 0.9928 到 1.0262 之间，符合约束要求。
- 覆盖率在 0.876 到 0.936 之间波动，表明资源分配有效。
然而，一个关键且令人深思的发现是：尽管在分配层面施加了严格的公平约束，少数族裔与非少数族裔区域之间仍存在约 3.5 个百分点的“检测率差距”。这意味着，即使巡逻分配相对公平，在实际操作中，不同社区的案件被发现和记录的概率仍然存在系统性差异。
结论：公平性干预需贯穿全流程
FASE 的研究结果揭示了一个超越技术模型的重要洞见：仅在算法输出的分配环节施加公平约束，不足以完全消除反馈循环导致的数据偏见。历史偏见和社会因素可能已嵌入到数据收集、案件报告、警务响应等上游环节。当这些带有偏见的数据被用于重新训练模型时，不公平性仍会悄然渗入系统。
因此，要构建真正公平的预测性警务系统，需要将公平性考量贯穿于从数据采集、模型预测、资源分配到效果评估的整个管道（full pipeline）。FASE 框架为这一方向迈出了重要一步，它不仅提供了一个可操作的技术方案，更尖锐地指出了 AI 伦理在现实世界应用中面临的复杂挑战——解决表面公平易，根除系统偏见难。这项研究对开发负责任的人工智能系统，尤其是在司法、公共安全等敏感领域，具有重要的警示和参考价值。