Scalable spatial point process models for forensic footwear analysis

إليك ملخص تقني مفصل لورقة البحث بعنوان "نماذج العمليات النقطية المكانية القابلة للتوسع لتحليل أحذية الأدلة الجنائية" من إعداد مانّا، سبنسر، ودِي.

1. بيان المشكلة

يعتمد تحليل أحذية الأدلة الجنائية بشكل كبير على "السمات العرضية" (الخصائص المكتسبة عشوائياً أو RACs) — وهي قطوع، وكشوط، وأنماط تآكل فريدة على نعال الأحذية — للتمييز بين الأحذية التي لها نفس النوع والموديل والمقاس. وبينما يتم تصنيع الآلاف من الأحذية المتطابقة، يمكن للسمات العرضية نظرياً أن تربط حذاء مشتبه به معين ببصمة موجودة في مسرح الجريمة.

التحدي الإحصائي الجوهري يكمن في تحديد احتمالية المطابقة العشوائية (RMP): وهي احتمالية أن ينتج حذاء مختار عشوائياً من مجموعة سكانية ذات صلة بصمةً تحتوي على سمات عرضية تتوافق مع بصمة مسرح الجريمة، بافتراض أن الخصائص الفئوية (المقاس، النوع، الموديل) وأنماط التآكل العامة متطابقة بالفعل.

القيود الرئيسية للطرق الحالية:

• ندرة البيانات: مجموعات البيانات مثل JESA (386 حذاءً) وWVU (1,300 حذاء) هي عينات ملائمة متنوعة التصاميم ولكنها تفتقر إلى التكرار الدقيق لنفس موديل الحذاء.
• قابلية توسع النموذج: كانت النماذج الهرمية البايزية السابقة (مثل سبنسر وموراي، 2020) مكلفة حاسوبياً، مما حد من تطبيقها على مجموعات بيانات أكبر مثل WVU.
• الافتقار إلى التحديد: تعتمد العديد من الطرق الحالية على تجميع البيانات في "خرائط حرارية" تتجاهل سطح التلامس المحدد (نمط النعل) لكل حذاء، مما يفشل في نمذجة العلاقة بين هندسة الحذاء المحددة والمناطق التي يُحتمل حدوث السمات العرضية فيها.
• افتراضات التجانس: افترضت النماذج المبكرة أن السمات العرضية موزعة بشكل موحد، وهو ما أثبتت البيانات التجريبية عدم صحته، مما يؤدي إلى استنتاجات مفرطة في الثقة (محافظة).

2. المنهجية

يقترح المؤلفون نموذج عملية نقطية مكانية لاوتنتية (كامنة) بايزية هرمية مصمماً ليكون تعبيرياً وقابلاً للتوسع حاسوبياً.

أ. تمثيل البيانات

• المدخلات: يستخدم النموذج مدخلين أساسيين لكل حذاء $s$:
  1. سطح التلامس ($C_s$): صورة رمادية عالية الدقة للنعل الخارجي للحذاء (نمط النعل)، تمت معالجتها إلى شبكة $39 \times 91$. تشير البكسلات الداكنة إلى مناطق التلامس.
  2. مواقع السمات العرضية ($Y_s$): إحداثيات السمات العرضية على الحذاء، مجمعة في عدد لكل خلية شبكية.
• المعالجة المسبقة: يتم عكس الصور لمحاذاة الأحذية اليمنى واليسرى، وقصها لتناسب حدود الحذاء، وتقليل دقتها من $869 \times 869$ إلى $39 \times 91$ بكسل لتقليل الأبعاد مع الاحتفاظ بتفاصيل النعل.
• المتغيرات المصاحبة: يتضمن النموذج:
  • شدة البكسل (سطح التلامس).
  • تدرج الصورة (تحويل سوبل - Sobel) لالتقاط الحواف.
  • تفاعلات الجوار (أنماط التلامس المحلية).

ب. صياغة النموذج

يتم نمذجة تعدادات السمات العرضية $Y_{s,a}$ عند الموقع الشبكي $a$ للحذاء $s$ كعملية بواسون:
$$Y_{s,a} | C_s \sim \text{Poisson}(\lambda_{s,a})$$

يتم نمذجة لوغاريتم الكثافة $\log(\lambda_{s,a})$ كـ نموذج لاوتنتي غاوسي (LGM):
$$\log(\lambda_{s,a}) = \beta_{\text{smooth}, a} + \beta_{\text{shoe}, s} + \sum_{i \in I} x_{s,a}^i \beta_f^i + \sum_{i \in I^*} x_{s,a}^i \beta_{sv, a}^i$$

حيث أن:

• $\beta_{\text{smooth}, a}$: اتجاه مكاني عالمي مشترك لجميع الأحذية.
• $\beta_{\text{shoe}, s}$: تقاطع عشوائي خاص بكل حذاء (معلمة مزعجة) يفسر التباين في إجمالي تعداد السمات العرضية.
• $x_{s,a}^i$: حدود التفاعل التي تشمل شدة سطح التلامس، وتدرج الصورة، وجيرانهم.
• $\beta_f^i$: الآثار الثابتة (المعاملات العالمية) لحدود التفاعل.
• $\beta_{sv, a}^i$: المعاملات المتغيرة مكانياً التي تسمح بتغير تأثير المتغيرات المصاحبة (مثل مدى احتمالية تكون قطع في الحافة) بناءً على الموقع في الحذاء.

ج. استراتيجية الاستدلال

• التحدي: طريقة ماركوف مونت كارلو (MCMC) القياسية غير مجدية حاسوبياً لمجموعة بيانات WVU ($1300 \text{ حذاء} \times 3549 \text{ نقطة شبكية} \approx 4.6 \times 10^6 \text{ نقطة بيانات}$) بسبب الأبعاد العالية للمعلمات.
• الحل: يستخدم المؤلفون تقريبات لابلابس المتكاملة (INLA). من خلال صياغة المشكلة كنموذج لاوتنتي غاوسي، يمكنهم إجراء استدلال بايزي تقريبي سريع وحتمي. يسمح هذا بتقدير التوزيعات اللاحقة لآلاف المعلمات في جزء بسيط من الوقت الذي تتطلبه طريقة MCMC.

3. المساهمات الرئيسية

1. القابلية للتوسع عبر INTA: المساهمة الأساسية هي إعادة صياغة مشكلة أحذية الأدلة الجنائية في إطار لاوتنتي غاوسي، مما يسمح باستخدام INLA. وهذا يتيح للنموذج التوسع ليشمل قاعدة بيانات WVU الضخمة (1,300 حذاء)، وهو ما كان مستحيلاً حاسوبياً للنماذج البايزية الهرمية المعقدة.
2. نمذجة سطح التلامس المستمر: على عكس العمل السابق الذي حول نمط النعل إلى صيغة ثنائية (تلامس مقابل عدم تلامس)، يستخدم هذا النموذج الشدة الرمادية المستمرة لسطح التلامس، مما يحافظ على المزيد من المعلومات حول هندسة الحذاء.
3. المعاملات المتغيرة مكانياً: يقدم النموذج معاملات متغيرة مكانياً للمتغيرات المصاحبة (تحديداً شدة سطح التلامس وتدرج الصورة). وهذا يلتقط العلاقة غير الخطية والمكانية المعتمدة على الموقع بين سمات نعل الحذاء واحتمالية تكون السمات العرضية (على سبيل المثال، قد تكون الحواف عرضة للقطع في منطقة الأصابع ولكن ليس في الكعب).
4. دمج تدرج الصورة: يسمح تضمين حدود تدرج الصورة (تحويل سوبل) للنموذج بمراعاة ميزات الحواف بشكل صريح، وهي ميزات بالغة الأهمية لتكون السمات العرضية.

4. النتائج والتقييم

تم تقييم النموذج باستخدام التحقق المتقاطع ذو الـ 10 طيات (10-fold cross-validation) على قاعدة بيانات WVU، ومقارنة الطريقة المقترحة ("طريقتنا") بعدة نماذج مرجعية:

• النموذج الموحد: يفترض توزيعاً عشوائياً (Stone, 2006).
• التنعيم المكاني فقط: يجمع البيانات دون ميزات محددة للحذاء (Yekutieli et al., 2012).
• سطح التلامس الثنائي: يستخدم سطح تلامس محدد بعتبة دون معاملات متغيرة مكانياً (Spencer and Murray, 2020).
• متغيرات أخرى: نماذج مع تركيبات مختلفة من المعاملات الثابتة مقابل المتغيرة مكانياً.

مقاييس الأداء:
استخدم التقييم مقياس احتمالية اللوغاريتم بناءً على المكون متعدد الحدود لتوزيع السمات العرضية (بالتركيز على التكوين المكاني بدلاً من العدد الإجمالي).

• دقة تنبؤية فائقة: حققت الطريقة المقترحة (M(Final)) أدنى فقد لوغاريتمي (أفضل أداء) في جميع الطيات العشر، متفوقة على نموذج السطح الثنائي وجميع النماذج المرجعية الأخرى.
• المتانة: أظهر النموذج المقترح متانة فائقة في "الذيل الأدنى" (الأحذية ذات الملاءمة الضعيفة في النماذج الأخرى)، وهو أمر بالغ الأهمية للموثوقية الجنائية.
• أهمية الميزات:
  • النماذج التي استبعدت معلومات سطح التلامس كان أداؤها أسوأ بكثير.
  • وفر إدراج حدود تدرج الصورة تحسيناً ملموساً مقارنة بالنماذج التي استخدمت شدة البكسل فقط.
  • أظهر "نسبة فقد الأداء المتوسطة" أن الطريقة المقترحة كانت أكثر دقة بنحو 100 مرة من نموذج السطح الثنائي، وبفارق عدة رتب مقدارية عن النموذج الموحد.

القابلية للتفسير:

• حدد النموذج أن السمات العرضية أقل احتمالاً في قوس القدم وفي أطراف الأصابع/الكعب، وأكثر احتمالاً في الكعب الداخلي وجوانب مقدمة الحذاء.
• والأهم من ذلك، أكد النموذج أن شدة سطح التلامس الأعلى (البكسلات الداكنة) وتدرجات الصورة الأقوى (الحواف) ترتبط ارتباطاً إيجابياً باحتمالية زيادة ظهور السمات العرضية.

5. الأهمية والخاتمة

يمثل هذا العمل تقدماً كبيراً في الإحصاء الجنائي من خلال سد الفجوة بين النمذجة البايزية المعقدة والبيانات واسعة النطاق.

• الأثر الجنائي: من خلال توفير تقدير أكثر دقة وقائماً على البيانات لـ "احتمالات المطابقة العشوائية"، يساعد النموذج خبراء الأدلة الجنائية على تجنب المبالغة في تقدير أو التقليل من قوة الأدلة. إنه ينقل المجال بعيداً عن الرأي الخبير الذاتي نحو بيانات احتمالية مثبتة تجريبياً.
• الأثر المنهجي: يوضح التطبيق الناجح لـ INLA على العمليات النقطية المكانية ذات المعاملات المتغيرة مكانياً مساراً لتوسيع النماذج الهرمية المعقدة في المجالات الجنائية والمكانية الأخرى.
• الاتجاهات المستقبلية: يشير المؤلفون إلى أنه بينما يعمل النموذج جيداً على بيانات المختبر عالية الجودة، يجب أن تعالج الأعمال المستقبلية ترجمة هذه النماذج إلى بصمات جزئية ومشوشة من مسرح الجريمة. كما تم اقتراح توسيعات للآثار غير الخطية (GAMs) ومخططات تسجيل بديلة.

باخت-صار، تقدم الورقة إطاراً بايزياً قابلاً للتوسع، وقابلاً للتفسير، وعالي الدقة يستفيد من التفاصيل الهندسية الكاملة لبصمات الأحذية لتحديد مدى ندرة الأنماط العرضية، مما يعزز الأساس العلمي لتحليل أحذية الأدلة الجنائية.