論文の概要: A Framework for Behavioral Biometric Authentication using Deep Metric
Learning on Mobile Devices
- arxiv url: http://arxiv.org/abs/2005.12901v2
- Date: Mon, 17 Aug 2020 16:39:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 23:40:06.521780
- Title: A Framework for Behavioral Biometric Authentication using Deep Metric
Learning on Mobile Devices
- Title（参考訳）: モバイルデバイスにおけるDeep Metric Learningを用いた行動バイオメトリック認証のためのフレームワーク
- Authors: Cong Wang, Yanru Xiao, Xing Gao, Li Li, Jun Wang
- Abstract要約: バッテリー駆動のモバイルデバイス上でのトレーニングを取り入れた新しいフレームワークを提案する。これにより、プライベートデータはデバイスを離れることなく、実行時の動作パターンに柔軟に適応するようにトレーニングをスケジュールすることができる。
実験では、3つの公開データセットで95%以上の認証精度が示され、データが少ないマルチクラスの分類では15%の精度が向上し、それぞれ99%と90%が成功したブルートフォース攻撃とサイドチャネル攻撃に対する堅牢性が向上した。
その結果,トレーニングはビデオ視聴よりも低エネルギーを消費し,ゲームよりも若干高いエネルギーを消費していることがわかった。
- 参考スコア（独自算出の注目度）: 17.905483523678964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile authentication using behavioral biometrics has been an active area of
research. Existing research relies on building machine learning classifiers to
recognize an individual's unique patterns. However, these classifiers are not
powerful enough to learn the discriminative features. When implemented on the
mobile devices, they face new challenges from the behavioral dynamics, data
privacy and side-channel leaks. To address these challenges, we present a new
framework to incorporate training on battery-powered mobile devices, so private
data never leaves the device and training can be flexibly scheduled to adapt
the behavioral patterns at runtime. We re-formulate the classification problem
into deep metric learning to improve the discriminative power and design an
effective countermeasure to thwart side-channel leaks by embedding a noise
signature in the sensing signals without sacrificing too much usability. The
experiments demonstrate authentication accuracy over 95% on three public
datasets, a sheer 15% gain from multi-class classification with less data and
robustness against brute-force and side-channel attacks with 99% and 90%
success, respectively. We show the feasibility of training with mobile CPUs,
where training 100 epochs takes less than 10 mins and can be boosted 3-5 times
with feature transfer. Finally, we profile memory, energy and computational
overhead. Our results indicate that training consumes lower energy than
watching videos and slightly higher energy than playing games.
- Abstract（参考訳）: 行動バイオメトリックスを用いたモバイル認証は活発な研究分野である。
既存の研究は、個人のユニークなパターンを認識する機械学習分類器の構築に依存している。
しかし、これらの分類器は識別的特徴を学ぶほど強力ではない。
モバイルデバイスに実装されると、振る舞いのダイナミクス、データのプライバシ、サイドチャネルリークといった新たな課題に直面する。
これらの課題に対処するために,我々は,バッテリ駆動のモバイルデバイスにトレーニングを組み込むための新しいフレームワークを提案する。
分類問題を深度検定学習に再フォーマットし,識別能力を向上させるとともに,センサ信号にノイズシグネチャを埋め込むことにより,ユーザビリティを損なうことなく,サイドチャネルリークを阻止する効果的な対策を設計する。
実験では、3つの公開データセットで95%以上の認証精度を示す。データの少ないマルチクラス分類による15%以上の向上と、それぞれ99%と90%の成功率を持つブルートフォース攻撃とサイドチャネル攻撃に対する堅牢性を示す。
モバイルCPUによるトレーニングの実現可能性を示す。100エポックのトレーニングは10分未満で,機能移行によって3～5倍に向上する。
最後に、メモリ、エネルギー、計算オーバーヘッドをプロファイリングする。
その結果,トレーニングはビデオ視聴よりも低エネルギーを消費し,ゲームよりも若干エネルギーを消費することがわかった。
関連論文リスト
- Segue: Side-information Guided Generative Unlearnable Examples for
Facial Privacy Protection in Real World [64.4289385463226]
生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。
転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。
JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
論文 参考訳（メタデータ） (2023-10-24T06:22:37Z) - Your Identity is Your Behavior -- Continuous User Authentication based
on Machine Learning and Touch Dynamics [0.0]
本研究は,LG V30+を用いた40名の被験者から収集したタッチダイナミクスのデータセットを用いた。
参加者は4つのモバイルゲーム、Diep.io、Slither、Minecraftをそれぞれ10分間プレイした。
研究の結果,3つのアルゴリズムがそれぞれ,個々のタッチダイナミクスに基づいてユーザを効果的に分類できることが判明した。
論文 参考訳（メタデータ） (2023-04-24T13:45:25Z) - Peeling the Onion: Hierarchical Reduction of Data Redundancy for
Efficient Vision Transformer Training [110.79400526706081]
ビジョントランス (ViT) は近年多くのアプリケーションで成功を収めているが、その計算量とメモリ使用量によって一般化が制限されている。
従来の圧縮アルゴリズムは通常、事前訓練された高密度モデルから始まり、効率的な推論のみに焦点を当てる。
本稿では,3つのスパースの観点から,Tri-Level E-ViTと呼ばれるエンドツーエンドの効率的なトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-19T21:15:47Z) - Non-Contrastive Learning-based Behavioural Biometrics for Smart IoT
Devices [0.9005431161010408]
振る舞いバイオメトリックスは、従来の認証手法の限界を克服する有効な代替手段として検討されている。
最近のビヘイビアバイオメトリックソリューションは、大量の注釈付きトレーニングデータを必要とするディープラーニングモデルを使用している。
我々は,SimSiamをベースとした非コントラスト型自己教師学習を用いて,行動バイオメトリックシステムのラベル効率を向上させることを提案する。
論文 参考訳（メタデータ） (2022-10-24T05:56:32Z) - RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。
RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。
当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
論文 参考訳（メタデータ） (2022-07-12T19:34:47Z) - Smart App Attack: Hacking Deep Learning Models in Android Apps [16.663345577900813]
デバイス上のモデルをハックするために、グレーボックスの逆攻撃フレームワークを導入する。
攻撃の有効性と汎用性を4つの異なる設定で評価する。
転送学習を採用した53のアプリのうち、71.7%が攻撃に成功している。
論文 参考訳（メタデータ） (2022-04-23T14:01:59Z) - Self-supervised Transformer for Deepfake Detection [112.81127845409002]
現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。
転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。
本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-02T17:44:40Z) - Exploring System Performance of Continual Learning for Mobile and
Embedded Sensing Applications [19.334890205028568]
本研究は,3つの主要な連続学習手法の性能を定量化する総合的な実証的研究である。
エッジデバイス上でのエンドツーエンドの継続的学習フレームワークを実装した。
メモリ予算が限られているデバイス上で連続的な学習が実現可能であることを初めて実証する。
論文 参考訳（メタデータ） (2021-10-25T22:06:26Z) - Federated Self-Training for Semi-Supervised Audio Recognition [0.23633885460047763]
本研究では,自己学習による音声モデルの半教師あり学習の問題について検討する。
我々はFedSTARを提案し、大規模なデバイス上での未ラベルデータを利用して音声認識モデルの一般化を改善する。
論文 参考訳（メタデータ） (2021-07-14T17:40:10Z) - Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。
我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。
我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文 参考訳（メタデータ） (2020-08-11T17:58:50Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。