論文の概要: BeCAPTCHA-Mouse: Synthetic Mouse Trajectories and Improved Bot Detection

• arxiv url: http://arxiv.org/abs/2005.00890v2
• Date: Tue, 2 Mar 2021 18:35:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 12:51:13.306572
• Title: BeCAPTCHA-Mouse: Synthetic Mouse Trajectories and Improved Bot Detection
• Title（参考訳）: BeCAPTCHA-Mouse:合成マウス軌道とボット検出の改善
• Authors: Alejandro Acien and Aythami Morales and Julian Fierrez and Ruben Vera-Rodriguez
• Abstract要約: 本稿では,マウスの神経運動モデルに基づくボット検出器BeCAPTCHA-Mouseを提案する。 BeCAPTCHA-Mouseは、1つのマウス軌道だけで、平均93%の精度で高実在性のボット軌道を検出することができる。
• 参考スコア（独自算出の注目度）: 78.11535724645702
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We first study the suitability of behavioral biometrics to distinguish between computers and humans, commonly named as bot detection. We then present BeCAPTCHA-Mouse, a bot detector based on: i) a neuromotor model of mouse dynamics to obtain a novel feature set for the classification of human and bot samples; and ii) a learning framework involving real and synthetically generated mouse trajectories. We propose two new mouse trajectory synthesis methods for generating realistic data: a) a function-based method based on heuristic functions, and b) a data-driven method based on Generative Adversarial Networks (GANs) in which a Generator synthesizes human-like trajectories from a Gaussian noise input. Experiments are conducted on a new testbed also introduced here and available in GitHub: BeCAPTCHA-Mouse Benchmark; useful for research in bot detection and other mouse-based HCI applications. Our benchmark data consists of 15,000 mouse trajectories including real data from 58 users and bot data with various levels of realism. Our experiments show that BeCAPTCHA-Mouse is able to detect bot trajectories of high realism with 93% of accuracy in average using only one mouse trajectory. When our approach is fused with state-of-the-art mouse dynamic features, the bot detection accuracy increases relatively by more than 36%, proving that mouse-based bot detection is a fast, easy, and reliable tool to complement traditional CAPTCHA systems.
• Abstract（参考訳）: まず,行動バイオメトリックスがコンピュータと人間を区別する可能性について検討した。 次に、下記のボット検出器BeCAPTCHA-Mouseを紹介する。 一 人間及びボットの標本の分類のための新しい特徴セットを得るためのマウスの動力学の神経運動モデル 二 実際の及び合成されたマウスの軌道を含む学習の枠組み 本研究では,マウスの軌跡合成法を2つ提案する。 a) ヒューリスティック関数に基づく関数ベースの方法、及び b) 生成器がガウス雑音入力からヒト様軌跡を合成する生成逆ネットワーク(gans)に基づくデータ駆動方式 becaptcha-mouse benchmark(becaptcha-mouseベンチマーク)は、ボット検出やその他のマウスベースのhciアプリケーションの研究に役立つ。 ベンチマークデータは,58ユーザーの実データと,さまざまなレベルの現実性を持つボットデータを含む15,000のマウストラジェクトリで構成されている。 実験の結果,BeCAPTCHA-Mouseは1つのマウス軌道のみを用いて,平均93%の精度で高実在性ボット軌道を検出することができた。 我々のアプローチが最先端のマウスの動的特徴と融合すると、ボット検出精度は36%以上増加し、マウスベースのボット検出は従来のCAPTCHAシステムを補完する高速で簡単で信頼性の高いツールであることが証明された。

関連論文リスト

• Simulation-Aided Policy Tuning for Black-Box Robot Learning [47.83474891747279]
  本稿では,データ効率の向上に着目した新しいブラックボックスポリシー探索アルゴリズムを提案する。 このアルゴリズムはロボット上で直接学習し、シミュレーションを追加の情報源として扱い、学習プロセスを高速化する。 ロボットマニピュレータ上でのタスク学習の高速化と成功を,不完全なシミュレータの助けを借りて示す。
  論文  参考訳（メタデータ） (2024-11-21T15:52:23Z)
• DMTG: A Human-Like Mouse Trajectory Generation Bot Based on Entropy-Controlled Diffusion Networks [0.5481939850954506]
  機械学習は、従来の画像とテキストベースのCAPTCHAを攻撃に対して脆弱にしている。 GeeTestやAkamaiのような現代的なCAPTCHAには、マウスの軌道検出のような行動分析が組み込まれている。 実験では、DMTGは他のモデルと比較してボット検出精度を4.75%-9.73%削減した。
  論文  参考訳（メタデータ） (2024-10-23T19:27:30Z)
• What Does the Bot Say? Opportunities and Risks of Large Language Models in Social Media Bot Detection [48.572932773403274]
  ソーシャルボット検出における大規模言語モデルの可能性とリスクについて検討する。 本稿では,多様なユーザ情報モダリティを分割し,克服するための混合異種エキスパートフレームワークを提案する。 実験により、1000の注釈付き例に対する命令チューニングは、最先端のベースラインよりも優れた特殊なLLMを生成することが示された。
  論文  参考訳（メタデータ） (2024-02-01T06:21:19Z)
• LMBot: Distilling Graph Knowledge into Language Model for Graph-less Deployment in Twitter Bot Detection [41.043975659303435]
  グラフニューラルネットワーク(GNN)の知識を言語モデル(LM)に抽出する新しいボット検出フレームワークLMBotを提案する。 グラフベースのデータセットでは、LMの出力はGNNの入力機能を提供し、ボットの検出と知識の抽出を反復的かつ相互に強化するプロセスでLMに戻すことができる。 実験の結果,LMBotは4つのTwitterボット検出ベンチマークで最先端のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-06-30T05:50:26Z)
• BotShape: A Novel Social Bots Detection Approach via Behavioral Patterns [4.386183132284449]
  実世界のデータセットに基づいて、生のイベントログから行動シーケンスを構築する。 ボットと真のユーザの違いと、ボットアカウント間の類似パターンを観察する。 本稿では,行動の順序や特徴を自動的に把握するソーシャルボット検出システムBotShapeを提案する。
  論文  参考訳（メタデータ） (2023-03-17T19:03:06Z)
• BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot Detection [63.447493500066045]
  本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。 提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。 実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
  論文  参考訳（メタデータ） (2022-07-27T09:26:15Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
  悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。 異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。 本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T22:59:59Z)
• Botnet Detection Using Recurrent Variational Autoencoder [4.486436314247216]
  ボットネットは悪質なアクターによってますます利用され、多くのインターネットユーザーに脅威を与えている。 本稿では,ボットネット検出のための新しい機械学習手法であるRecurrent Variational Autoencoder (RVAE)を提案する。 RVAEは文献で発表された最もよく知られた結果と同じ精度でボットネットを検出できることを示した。
  論文  参考訳（メタデータ） (2020-04-01T05:03:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。