本研究では、都市環境における犯罪予測が公共の安全にとって重要であることを指摘し、従来の犯罪予測手法が異なる都市間の知識を統合することに苦労している状況を解決するための新たな枠組み「HYpernetwork-enhanced Spatial Temporal Learning (HYSTL)」を提案しています。HYSTLでは、犯罪タイプごとに専用の予測器を設計するのではなく、ハイパーネットワークを用いて、関心のある犯罪タイプに条件付けられた予測関数のパラメータを動的に生成します。また、異なる犯罪タイプ間の意味的ギャップを埋めるために、構造化された犯罪知識グラフを構築し、学習した犯罪表現をハイパーネットワークの入力として利用します。これにより、犯罪タイプごとの予測時に関連する他の犯罪タイプとの複雑な関連性に基づいて予測がガイドされます。実験結果は、HYSTLが最先端の手法を上回る性能を示したことを報告しています。