Fugu-MT 論文翻訳(概要): On the Inference of Soft Biometrics from Typing Patterns Collected in a Multi-device Environment

論文の概要: On the Inference of Soft Biometrics from Typing Patterns Collected in a Multi-device Environment

arxiv url: http://arxiv.org/abs/2006.09501v1
Date: Tue, 16 Jun 2020 20:25:58 GMT
ステータス: 処理完了
システム内更新日: 2022-11-20 21:40:49.798135
Title: On the Inference of Soft Biometrics from Typing Patterns Collected in a Multi-device Environment
Title（参考訳）: マルチデバイス環境におけるタイピングパターンからのソフトバイオメトリックス推定について
Authors: Vishaal Udandarao and Mohit Agrawal and Rajesh Kumar and Rajiv Ratn Shah
Abstract要約: 本稿では,マルチデバイス環境における117人を対象に,性別,メジャー/マイナー,タイピングスタイル,年齢,身長の推測を行った。分類タスクでは、6つの古典的機械学習(ML)と4つのディープラーニング(DL)分類器のパフォーマンスをベンチマークする。この研究で挙げられた様々なアプリケーションシナリオを考慮して、結果は有望です。
参考スコア（独自算出の注目度）: 47.37893297206786
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we study the inference of gender, major/minor (computer science, non-computer science), typing style, age, and height from the typing patterns collected from 117 individuals in a multi-device environment. The inference of the first three identifiers was considered as classification tasks, while the rest as regression tasks. For classification tasks, we benchmark the performance of six classical machine learning (ML) and four deep learning (DL) classifiers. On the other hand, for regression tasks, we evaluated three ML and four DL-based regressors. The overall experiment consisted of two text-entry (free and fixed) and four device (Desktop, Tablet, Phone, and Combined) configurations. The best arrangements achieved accuracies of 96.15%, 93.02%, and 87.80% for typing style, gender, and major/minor, respectively, and mean absolute errors of 1.77 years and 2.65 inches for age and height, respectively. The results are promising considering the variety of application scenarios that we have listed in this work.
Abstract（参考訳）: 本稿では,マルチデバイス環境における117人の個人から収集した入力パターンから,性別,メジャー/マイナー(コンピュータ科学,非コンピュータ科学),タイピングスタイル,年齢,身長を推定する。最初の3つの識別子の推論は分類タスクとして、残りは回帰タスクとして考慮された。分類タスクでは、6つの古典的機械学習(ML)と4つのディープラーニング(DL)分類器のパフォーマンスをベンチマークする。一方,回帰作業では3つのMLと4つのDLベースの回帰器を評価した。全体的な実験は、2つのテキスト入力(無料と固定)と4つのデバイス(デスクトップ、タブレット、電話、複合)で構成された。ベストアレンジメントはそれぞれ96.15%, 93.02%, 87.80%のタイプスタイル, 性別, メジャー/マイナーで, 絶対誤差は1.77歳, 身長2.65インチであった。この研究で挙げられた様々なアプリケーションシナリオを考慮して、結果は有望です。

関連論文リスト

Predictor-Corrector Enhanced Transformers with Exponential Moving Average Coefficient Learning [73.73967342609603]
トラクションエラーを最小限に抑えるための予測-相関学習フレームワークを提案する。また、高次予測器を強化するために、指数関数的移動平均ベース係数学習法を提案する。我々のモデルは3.8BのDeepNetを平均2.9のSacreBLEUで上回り、1/3のパラメータしか使用していない。
論文参考訳（メタデータ） (2024-11-05T12:26:25Z)
Evaluating Large Language Models on Spatial Tasks: A Multi-Task Benchmarking Study [4.80612909282198]
本研究では,新しいマルチタスク空間評価データセットを提案する。データセットは、空間的理解と経路計画を含む12の異なるタスクタイプを含む。この研究は、特定のタスクにおけるモデルパフォーマンスに対する迅速な戦略の影響を強調している。
論文参考訳（メタデータ） (2024-08-26T17:25:16Z)
AISPACE at SemEval-2024 task 8: A Class-balanced Soft-voting System for Detecting Multi-generator Machine-generated Text [0.0]
SemEval-2024 Task 8は、人書きテキストと機械生成テキストを検出するための課題を提供する。本稿では,主にSubtask Bを扱うシステムを提案する。これは、与えられた全文が人間によって書かれたか、あるいは、実際にはマルチクラスのテキスト分類タスクである特定のLarge Language Model (LLM)によって生成されるかを検出することを目的としている。
論文参考訳（メタデータ） (2024-04-01T06:25:47Z)
Dual Pose-invariant Embeddings: Learning Category and Object-specific Discriminative Representations for Recognition and Retrieval [0.7770029179741429]
学習中にカテゴリベースとオブジェクトアイデンティティベースの埋め込みを同時に学習すれば,性能の大幅な向上が達成できることを示す。本稿では,クラス間距離とクラス間距離を最適化する特別に設計された損失関数を持つ注目型デュアルエンコーダアーキテクチャを提案する。 3つの挑戦的なマルチビューデータセットでアプローチのパワーを実証する。
論文参考訳（メタデータ） (2024-03-01T04:20:13Z)
Large Language Models in the Workplace: A Case Study on Prompt Engineering for Job Type Classification [58.720142291102135]
本研究では,実環境における職種分類の課題について検討する。目標は、英語の求職が卒業生やエントリーレベルの地位に適切かどうかを判断することである。
論文参考訳（メタデータ） (2023-03-13T14:09:53Z)
HFL at SemEval-2022 Task 8: A Linguistics-inspired Regression Model with Data Augmentation for Multilingual News Similarity [16.454545004093735]
本稿では,SemEval-2022 Task 8: Multilingual News Article similarityについて述べる。我々は,いくつかのタスク固有の戦略で訓練された言語モデルを提案した。 Pearson's correlation Coefficient of 0.818 on the official evaluation set。
論文参考訳（メタデータ） (2022-04-11T03:08:37Z)
Few-shot Learning with Multilingual Language Models [66.49496434282564]
多様な言語群をカバーするバランスの取れたコーパス上で,多言語の自動回帰言語モデルを訓練する。私たちの最大のモデルは、20以上の代表言語で数ショットの学習において、新しい最先端の技術を定めています。本稿では,モデルがどこで成功し,失敗するかを詳細に分析し,特に言語間の文脈内学習を可能にすることを示す。
論文参考訳（メタデータ） (2021-12-20T16:52:35Z)
Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
論文参考訳（メタデータ） (2020-12-03T02:07:43Z)
Competence-Level Prediction and Resume & Job Description Matching Using Context-Aware Transformer Models [13.302702823447476]
臨床研究コーディネーターの4つのレベルに指定された252の職種について、24,933件の求職申告書から6,492件の履歴書を抽出した。アノテーション間の合意のために、高いカッパスコアが61%に達する。
論文参考訳（メタデータ） (2020-11-05T17:47:03Z)
Device-Robust Acoustic Scene Classification Based on Two-Stage Categorization and Data Augmentation [63.98724740606457]
我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。 Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
論文参考訳（メタデータ） (2020-07-16T15:07:14Z)

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。