Ciência de redes e aprendizagem de máquina aplicadas ao estudo de redes criminosas

Abstract

Resumo: Neste trabalho, adotamos abordagens de ciência de redes e aprendizagem de máquina para estudar propriedades e a dinâmica de redes criminosas, além de prever ligações e outras variáveis dessas redes. No Capítulo 1, apresentamos uma investigação abrangente sobre redes de corrupção relacionadas a escândalos na Espanha e no Brasil. Mostramos que as redes de corrupção desses dois países compartilham características estruturais e dinâmicas similares, como distribuições de grau, coeficientes de agrupamento e assorta-tividade próximos, além da presença de estruturas modulares. Também observamos um processo de crescimento marcado pela coalescência das componentes da rede devido à reincidência de alguns criminosos. Propomos um modelo simples que não apenas reproduz essas propriedades empíricas, mas também revela que as redes de corrupção operam perto de uma taxa crítica de reincidência abaixo da qual a rede é totalmente fragmen-tada e acima da qual é excessivamente conectada. No Capítulo 2, aplicamos técnicas de aprendizagem de máquina às redes de corrupção, bem como às redes de inteligência policial e de lavagem de dinheiro. Combinamos métodos de aprendizagem de representação de grafos e aprendizagem de máquina para revelar que as propriedades estruturais das redes estudadas podem ser utilizadas para prever parcerias criminosas, distinguir entre diferentes tipos de associações e também prever a quantidade de dinheiro trocado entre os agentes. Além disso, nossa abordagem se mostrou capaz de antecipar futuras conexões à medida que as redes de corrupção evoluem no tempo. No Capítulo 3, empregamos métodos de aprendizado profundo nas mesmas redes investigadas no Capítulo 2 visando obter melhores previsões sobre as mesmas variáveis. Exploramos o potencial das redes convolu-cionais de grafos para aprender padrões relacionados às relações criminosas e constatamos que modelos de aprendizado profundo baseados no algoritmo GraphSAGE são capazes de prever parcerias criminosas, distinguir entre tipos de associações e prever a quantidade de dinheiro trocado entre os agentes criminosos. Além disso, mostramos que é possível antecipar parcerias e a reincidência de criminosos durante o crescimento das redes de cor-rupção. Em geral, nossos modelos de aprendizado profundo superam significativamente a abordagem apresentada no Capítulo 2.

Abstract: In this work, we adopt network science and machine learning approaches to study properties and dynamics of criminal networks, as well as predict links and variables of these networks. In Chapter 1, we present a comprehensive investigation of corruption networks related to scandals in Spain and Brazil. We show that these corruption networks share similar structural and dynamical characteristics, such as degree distributions, clustering coefficients, and assortativity values, as well as the presence of modular structures. We also observe a growth process marked by the coalescence of network components due to a few recidivist agents. We propose a simple model that not only reproduces these empirical properties but also reveals that corruption networks operate around a critical recidivism rate below which the network becomes completely fragmented and above which it is overly connected. In Chapter 2, we apply machine learning techniques to corruption, criminal police intelligence, and criminal financial networks. We combine graph representation learning and machine learning methods to reveal that structural properties of these networks can be used to predict criminal partnerships, distinguish between different types of associations, and also predict the amount of money exchanged between agents. Furthermore, we use a similar approach to antecipate future connections as corruption networks grow over time. In Chapter 3, we employ deep learning methods on the same networks investigated in Chapter 2 to obtain better predictions for the same predictive tasks. We explore the potential of graph convolutional networks to learn patterns about criminal relationships and find that deep learning models based on the GraphSAGE algorithm can predict criminal partnerships, distinguish between types of associations, and predict the amount of money exchanged between agents. Additionally, we show that it is possible to anticipate partnerships and criminal recidivism during the growth of corruption networks. Overall, our deep learning models significantly outperform the approach presented in Chapter 2.