論文の概要: Human or Machine? It Is Not What You Write, But How You Write It

• arxiv url: http://arxiv.org/abs/2010.13231v1
• Date: Sun, 25 Oct 2020 22:01:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 04:48:09.320014
• Title: Human or Machine? It Is Not What You Write, But How You Write It
• Title（参考訳）: 人間かマシンか? 書くのではなく 書く方法です
• Authors: Luis A. Leiva and Moises Diaz and Miguel A. Ferrer and R\'ejean Plamondon
• Abstract要約: 人や機械が生成する手書き記号(文字、数字、ジェスチャー、署名)について検討する。 シンボルが静的なイメージとして表示されると、最先端の分類器を騙すことができる。 フェイク動作の正確な検出は、ユーザーが何を書いているかというよりも、ユーザーの書き方と関係がある、と結論づける。
• 参考スコア（独自算出の注目度）: 10.43230260556633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online fraud often involves identity theft. Since most security measures are weak or can be spoofed, we investigate a more nuanced and less explored avenue: behavioral biometrics via handwriting movements. This kind of data can be used to verify whether a user is operating a device or a computer application, so it is important to distinguish between human and machine-generated movements reliably. For this purpose, we study handwritten symbols (isolated characters, digits, gestures, and signatures) produced by humans and machines, and compare and contrast several deep learning models. We find that if symbols are presented as static images, they can fool state-of-the-art classifiers (near 75% accuracy in the best case) but can be distinguished with remarkable accuracy if they are presented as temporal sequences (95% accuracy in the average case). We conclude that an accurate detection of fake movements has more to do with how users write, rather than what they write. Our work has implications for computerized systems that need to authenticate or verify legitimate human users, and provides an additional layer of security to keep attackers at bay.
• Abstract（参考訳）: オンライン詐欺は、しばしば身元を盗む。 ほとんどのセキュリティ対策は弱いか、スプーフ化されているため、よりニュアンス的でより探究の少ない道筋である手書きによる行動バイオメトリックスを調査します。 この種のデータは、ユーザがデバイスまたはコンピュータアプリケーションを操作しているかどうかの検証に使用できるため、人間とマシンの動作を確実に区別することが重要である。 そこで本研究では,人や機械が生成する手書き記号(文字,数字,ジェスチャー,署名)について検討し,複数の深層学習モデルを比較し,対比する。 シンボルを静的な画像として提示すると、最先端の分類器(最高で75%近い精度)を騙すことができるが、時間的シーケンス(平均で95%の精度)として提示された場合、驚くべき精度で識別できる。 フェイク動作の正確な検出は、ユーザーが何を書いているかというよりも、ユーザーの書き方と関係がある、と結論づける。 我々の研究は、正当な人間のユーザーを認証または検証する必要があるコンピュータシステムに対して意味を持ち、攻撃者を困らせるための追加のセキュリティ層を提供します。

関連論文リスト

• Can AI-Generated Text be Reliably Detected? [54.670136179857344]
  LLMの規制されていない使用は、盗作、偽ニュースの生成、スパムなど、悪意のある結果をもたらす可能性がある。 最近の研究は、生成されたテキスト出力に存在する特定のモデルシグネチャを使用するか、透かし技術を適用してこの問題に対処しようとしている。 本稿では,これらの検出器は実用シナリオにおいて信頼性が低いことを示す。
  論文  参考訳（メタデータ） (2023-03-17T17:53:19Z)
• Hierarchical Perceptual Noise Injection for Social Media Fingerprint Privacy Protection [106.5308793283895]
  ソーシャルメディアからの指紋漏洩は 画像を匿名化したいという強い欲求を喚起します 指紋漏洩を保護するために、画像に知覚不能な摂動を加えることにより、敵攻撃が解決策として現れる。 この問題を解決するために,階層型パーセプティカルノイズ注入フレームワークであるFingerSafeを提案する。
  論文  参考訳（メタデータ） (2022-08-23T02:20:46Z)
• Locally Authenticated Privacy-preserving Voice Input [10.82818142802482]
  サービスプロバイダはユーザを認証しなければならないが、個人はプライバシの維持を望むかもしれない。 認証の実行中にプライバシを保存することは、特に敵がバイオメトリックデータを使用してトランスフォーメーションツールをトレーニングする場合には、非常に難しい。 ユーザの生信号のデバイス上の指紋をキャプチャして保存する,セキュアでフレキシブルなプライバシ保護システムを導入する。
  論文  参考訳（メタデータ） (2022-05-27T14:56:01Z)
• RealGait: Gait Recognition for Person Re-Identification [79.67088297584762]
  我々は,既存の映像人物の再識別課題からシルエットを抽出し,制約のない方法で歩く1,404人からなる新たな歩行データセットを構築した。 以上の結果から、実際の監視シナリオにおける歩行による認識は実現可能であり、その基盤となる歩行パターンが、実際にビデオの人物認識が機能する真の理由である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-13T06:30:56Z)
• Watch Those Words: Video Falsification Detection Using Word-Conditioned Facial Motion [82.06128362686445]
  本稿では,安価なディープフェイクと視覚的に説得力のあるディープフェイクの両方を扱うためのマルチモーダルな意味法医学的アプローチを提案する。 帰属という概念を利用して、ある話者と他の話者を区別する個人固有の生体パターンを学習する。 既存の個人固有のアプローチとは異なり、この手法は口唇の操作に焦点を当てた攻撃にも有効である。
  論文  参考訳（メタデータ） (2021-12-21T01:57:04Z)
• Anti-Neuron Watermarking: Protecting Personal Data Against Unauthorized Neural Model Training [50.308254937851814]
  個人データ(画像など)は、許可なくディープニューラルネットワークモデルをトレーニングするために不適切に利用することができる。 特殊な線形色変換を使用して透かしシグネチャをユーザイメージに埋め込むことで、ニューラルモデルはそのようなシグネチャでインプリントされる。 これは、ニューラルネットワークトレーニングにおいて、ユーザの個人情報を不正使用から保護する最初の作業である。
  論文  参考訳（メタデータ） (2021-09-18T22:10:37Z)
• Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
  深層生成モデルは質的に新しいパフォーマンスレベルを達成した。 この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。 最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
  論文  参考訳（メタデータ） (2020-12-16T03:51:54Z)
• Single architecture and multiple task deep neural network for altered fingerprint analysis [0.0]
  「変質指紋」とは、摩擦隆起パターンの意図的な損傷を指す。 本稿では,変化指紋の検出,変化の種類の同定,性別,手,指の認識を行う手法を提案する。 提案手法は, 偽造, 変化, 性別, 手指の分類において, 98.21%, 98.46%, 92.52%, 97.53%, 92,18%の精度を達成している。
  論文  参考訳（メタデータ） (2020-07-09T17:02:09Z)
• Digit Recognition From Wrist Movements and Security Concerns with Smart Wrist Wearable IOT Devices [0.0]
  加速度計とジャイロスコープは、ユーザが書いた数字を特定するのに十分なユニークな手首の動き情報を拾うことができることを示す。 以上の結果から,手首のウェアラブル端末から,社会保障やクレジットカード,医療記録などの機密情報を得ることができる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-22T23:37:38Z)
• Practical Fast Gradient Sign Attack against Mammographic Image Classifier [0.0]
  本稿の背後にあるモチベーションは、この問題を強調し、認識を高めたいということです。 我々はマンモグラフィー画像を用いてモデルを訓練し、精度でモデル性能を評価する。 次に、構造類似度指数(SSIM)を用いて、クリーン画像と逆画像の類似性を分析する。
  論文  参考訳（メタデータ） (2020-01-27T07:37:07Z)
• An Overview of Fingerprint-Based Authentication: Liveness Detection and Beyond [0.0]
  我々は,生きた人間がシステム上で認証しようとしていることを確実にするための技術として定義されている,身体の活力を検出する方法に焦点をあてる。 我々は、悪意ある人物が指紋認証システムを騙して偽の指を本物として受け入れようとする攻撃を防ぐのに、これらの手法がいかに効果的かを分析する。
  論文  参考訳（メタデータ） (2020-01-24T20:07:53Z)

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。